摘要 - 作为自主代理的LARGE语言模型(LLMS)为通过知识驱动的方式提供了一种新颖的途径来应对现实世界中的挑战。这些LLM增强方法在概括和解释性方面表现出色。,驾驶任务的复杂性通常需要多种异构代理的协作,从而强调了这种LLM驱动的代理人需要进行合作知识共享和认知协同作用。尽管有LLMS的承诺,但当前的应用程序主要集中在单位代理方案围绕单位方案,这限制了面对复杂的,相互联系的任务的范围。为了扩大知识驱动的策略的视野,并加强了自主代理的概括能力,我们提出了Koma框架的多代理相互作用,多代理相互作用,多步规划,共享 - 内存,基于等级的反射模式,以增强多机构在复杂的驾驶场景中的决策效果。基于框架生成的驾驶场景的文本描述,多代理交互模块使LLM代理可以根据场景信息(类似于人类认知)来分析和推断周围车辆的意图。多步规划模块使LLM代理能够逐层分析并获得最终的行动决策,以确保对短期行动决策的目标目标。共享内存模块可以积累集体经验以做出出色的决策,而基于排名的反射模块可以评估和改善代理行为,以增强驾驶安全性和效率。项目页面:https://jkmhh.github。io/ koma/。Koma框架不仅增强了自动驾驶剂的鲁棒性和适应性,而且还显着提高了其在各种情况下的概括能力。经验结果证明了我们的方法优于传统方法,尤其是在处理复杂,不可预测的驾驶环境的能力而没有广泛的重新培训的能力上。
小组讨论 |讲述重要的事情:沟通和参与在走向新流动文化中的作用 | Belit Onay(汉诺威州首府市长)、Sybille Neuss(Scholz & Friends)、Prof. Dr. Meike Jipp(德国航空航天中心)