Resumen: La seguridad y la movilidad de las carreteras siguen siendo desafíos críticos para los sistemas de transporte modernos, exigiendo marcos analíticos innovadores capaces de abordar entornos complejos, dinámicos y heterogéneos. Si bien los métodos de ingeniería tradicionales han progresado, la complejidad y el dinamismo del tráfico del mundo real requieren marcos analíticos más avanzados. Los modelos de idiomas grandes (LLM), con sus capacidades sin precedentes en la comprensión del lenguaje natural, la integración del conocimiento y el razonamiento, representan un cambio de paradigma prometedor. Este documento revisa exhaustivamente la aplicación y la personalización de LLM para mejorar la seguridad y la movilidad de las carreteras. Un enfoque clave es cómo los LLM se adaptan, a través de estrategias arquitectónicas, de entrenamiento, solicitantes y multimodales, para cerrar la “brecha de modalidad” con los datos espaciales y temporales únicos de Transportation. La revisión analiza sistemáticamente las aplicaciones diversas de LLM en movilidad (por ejemplo, predicción del flujo de tráfico, control de señal) y seguridad (por ejemplo, análisis de choque, evaluación del comportamiento del conductor). También se examinan las tecnologías habilitadoras como la integración V2X, los modelos de base específicos del dominio, los marcos de explicación y la computación de borde. A pesar del potencial significativo, los desafíos persisten con respecto a las limitaciones inherentes de LLM (alucinaciones, déficit de razonamiento), gobernanza de datos (privacidad, sesgo), complejidades de despliegue (SIM-real, latencia) y garantía de seguridad rigurosa. Se destacan direcciones de investigación futuras prometedoras, incluida la fusión multimodal avanzada, el razonamiento espacio-temporal mejorado, la colaboración Human-AI, el aprendizaje continuo y el desarrollo de sistemas eficientes y verificables. Esta revisión proporciona una hoja de ruta estructurada de capacidades, limitaciones y oportunidades actuales, subrayando el potencial transformador de LLMS al tiempo que enfatiza la necesidad de innovación responsable para realizar sistemas de transporte más seguros e inteligentes.
Publicado Originalme en rss.arxiv.org El 9 de junio de 2025.
Ver Fuente Original
