Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Grid2Guide : un petit modèle de langage activé par A* pour la navigation intérieure

Created by
  • Haebom

Auteur

MD Wasiul Haque, Sagar Dasgupta, Mizanur Rahman

Contour

Cet article présente un cadre de navigation hybride, Grid2Guide, qui offre une navigation intérieure fiable dans des environnements complexes, sans repères de positionnement externes ni infrastructure dédiée. Il combine l'algorithme de recherche A* et un modèle de langage compact (SLM) pour générer un guidage routier clair et lisible par l'homme. À partir d'une carte intérieure, une matrice d'occupation binaire est générée et l'algorithme A* calcule le chemin optimal entre la source et la destination, générant des étapes de navigation concises et textuelles. Ces étapes sont ensuite traduites en langage naturel grâce au SLM, améliorant ainsi la compréhension de l'utilisateur final. Des évaluations expérimentales sur divers scénarios intérieurs démontrent l'efficacité de cette méthode pour générer un guidage précis et rapide. Les résultats valident l'approche proposée comme une solution d'aide à la navigation intérieure en temps réel, légère et sans infrastructure.

Takeaways, Limitations

Takeaways:
Nous présentons un système de navigation intérieure léger et sans infrastructure combinant l'algorithme A* et SLM.
Générez un guidage routier précis, lisible par l'homme et en temps réel.
Vérification efficace des performances dans divers environnements intérieurs.
Limitations:
Peut dépendre de la précision de la carte intérieure fournie (les erreurs cartographiques affectent la précision de la navigation).
Le naturel et la précision des instructions peuvent varier selon les performances du SLM. (Ces performances peuvent varier selon la qualité des données d'apprentissage et du modèle du SLM.)
Une évaluation supplémentaire des performances dans des environnements complexes et encombrés est nécessaire.
Des recherches supplémentaires sont nécessaires sur la prise en charge de plusieurs langues.
👍