Enhancing Environmental Adaptability and Decision Transparency for Connected and Autonomous Vehicles
Notice bibliographique
Résumé
To ensure the wide deployment of connected and autonomous vehicles (CAVs), both environmental adaptability and decision transparency are essential.With collective learning, CAVs can exchange and aggregate learning results, thus accelerating the learning process towards enhanced environmental adaptability.Meanwhile, integrating symbolic artificial intelligence (AI) into decision-making enhances decision transparency, thus gaining public trust.For this reason, this thesis aims to enhance the environmental adaptability and decision transparency of CAVs through collective learning and symbolic AI integration.Initially, a collective learning framework for connectionist AI, supported by multiaccess edge computing (MEC), is proposed.This framework allows CAVs to collectively and continuously aggregate learning results, leading to faster environmental adaptation.To further integrate symbolic AI into CAVs' high-level decision-making, expert knowledge in the form of logical rules is incorporated into the learning structure through a Markov Logic Network (MLN).This integration enables data-efficient learning and transparent decision-making.Next, the challenges of large-scale collective learning in symbolic AI are tackled by suggesting a hierarchical representation for ii exchanged learning results.Building on this hierarchical representation, a collective symbolic rule learning framework is proposed that encourages the sharing of learning results at different abstraction levels and learning stages.Extensive simulation results indicate that the proposed solutions enable CAVs to achieve faster environmental adaptation and transparent decision-making.Lastly, with the emergence of Large Language Models (LLMs), their role in expediting or automating learning tasks for CAVs is examined.LLMs' knowledge in the form of symbolic rules is further integrated with statistical learning to enhance robust and transparent decision-making, and a case study is presented to verify the performance of this integrated approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».