сотрудник
ВАК 1.2.2 Математическое моделирование, численные методы и комплексы программ
УДК 004.8 Искусственный интеллект
Анализируются перспективы использования больших языковых моделей (БЯМ), таких как GPT-5.2 и Gemini 3, в транспортной отрасли посредством применения в проектировании транспортных средств, автономной навигации, управлении движением и пр. Особое внимание уделяется генерации с дополненной выборкой и мультимодальной обработке. Среди ключевых обсуждаемых проблем — сертификация безопасности, прозрачность моделей и этические аспекты их внедрения. Цель: определить перспективы использования ИИ-агентов на основе БЯМ в транспортной отрасли. Результаты: рассмотрены использование генерации с дополненной выборкой и многомодальная обработка данных, а также примеры, включая управление светофорами с помощью ИИ, генерацию сценариев моделирования и анализ усталости водителей. Теоретическая значимость: сделан вывод о неизбежности синергии ИИ и транспорта для повышения безопасности и эффективности. Предполагается, что БЯМ будут играть важную роль в будущих интеллектуальных адаптивных транспортных системах.
большие языковые модели, транспорт, интеллектуальные агенты, предиктивное техобслуживание, генеративное проектирование, критические системы
1. Часовских В. П., Кох Е. В. Технологии цифровой трансформации на транспорте // Фундаментальные исследования. 2023. № 8. С. 57–61. DOI:https://doi.org/10.17513/fr.43495. EDN: https://elibrary.ru/RDRWRL
2. Механизмы интеллектуальных обратных связей, обработки знаний и самообучения в системах управления автономными роботами и мультиагентными робототехническими группировками / В. М. Лохин [и др.] // Мехатроника, автоматизация, управление. 2015. Т. 16, № 8. С. 545–555. DOI:https://doi.org/10.17587/mau.16.545-555. EDN: https://elibrary.ru/UIBAUF
3. Carlson K. W. Highlights of the Issue: Governance, Agents, Evolutionary Search // SuperIntelligence — Robotics — Safety and Alignment. 2025. Vol. 2, no. 3. 6 p. DOI:https://doi.org/10.70777/si.v2i3.15417. EDN: https://elibrary.ru/TSWCLX
4. Nie T., Sun J., Ma W. Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap // Artificial Intelligence for Transportation. 2025. Vol. 1. Art. no. 100003. 31 p. DOI:https://doi.org/10.1016/j.ait.2025.100003. EDN: https://elibrary.ru/WLNTJO
5. Generative AI in Transportation Planning: A Survey / L. Da [et al.] // ArXiv. 2025. Vol. 2503.07158. 56 p. DOI:https://doi.org/10.48550/arXiv.2503.07158.
6. A Gentle Introduction and Tutorial on Deep Generative Models in Transportation Research / S. Choi [et al.] // Transportation Research. Part C: Emerging Technologies. 2025. Vol. 176. Art. no. 105145. 66 p. DOI:https://doi.org/10.1016/j. trc.2025.105145. DOI: https://doi.org/10.1016/j.trc.2025.105145; EDN: https://elibrary.ru/JHPESC
7. Benchmarking the Capabilities of Large Language Models in Transportation System Engineering: Accuracy, Consistency, and Reasoning Behaviors / U. Syed [et al.] // ArXiv. 2024. Vol. 2408.08302. 23 p. DOI: 10.48550/ arXiv.2408.08302. DOI: https://doi.org/10.48550/arXiv.2408.08302
8. Романов А. М. Обзор аппаратно-программного обеспечения систем управления роботов различного масштаба и назначения. Часть 1. Промышленная робототехника // Russian Technological Journal. 2019. Т. 7, № 5. С. 30–46. DOI:https://doi.org/10.32362/2500-316X-2019-7-5-30-46. EDN: https://elibrary.ru/ZLVZWI
9. Солятов А. А., Сидоренко В. С. Система мехатронных модулей управления адаптивного торможения // Динамика и виброакустика. 2021. T. 7, № 4. С. 40–49. DOI:https://doi.org/10.18287/2409-4579-2021-7-4-40-49. EDN: https://elibrary.ru/VPJTVA
10. Федоров В. А., Огородникова О. М. Повышение качества обучения сверточных нейронных сетей в задачах технического зрения беспилотных поездов // Моделирование, оптимизация и информационные технологии. 2025. Т. 13, № 4. 11 с. DOI:https://doi.org/10.26102/2310-6018/2025.51.4.002. EDN: https://elibrary.ru/QTHIMT
11. Сацюк А. В. Мониторинг инфраструктуры на основе искусственного интеллекта // Автоматика, связь, информатика. 2025. № 9. С. 32–34. DOI:https://doi.org/10.62994/AT.2025.9.9.005. EDN: https://elibrary.ru/OXBPFP
12. Multimodal LLM for Intelligent Transportation Systems / D. Le [et al.] // ArXiv. 2024. Vol. 2412.11683. 5 p. DOI:https://doi.org/10.48550/arXiv.2412.11683.
13. Li S., Azfar T., Ke R. ChatSUMO: Large Language Model for Automating Traffic Scenario Generation in Simulation of Urban Mobility // ArXiv. 2024. Vol. 2409.09040. 10 p. DOI:https://doi.org/10.48550/arXiv.2409.09040.
14. Exploring the Potential of Large Language Models in Public Transportation: San Antonio Case Study / R. Jonnala [et al.] // ArXiv. 2025. Vol. 2501.03904. 10 p. DOI:https://doi.org/10.48550/arXiv.2501.03904.
15. Хижняк М. А. Развитие информационной платформы АСУ станции посредством взаимодействия с системами идентификации подвижного состава, комплексами управления сортировочной автоматикой и устройствами спутниковой навигации // Вестник Научно-исследовательского института железнодорожного транспорта. 2018. Т. 77, № 2. С. 118–124. DOI:https://doi.org/10.21780/2223-9731-2018-77-2-118-124. EDN: https://elibrary.ru/XMGDGH
