ВАК 1.2.1 УДК 004.8 ВАК 1.2.2

ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ТРАНСПОРТЕ Перспективы использования больших языковых моделей искусственного интеллекта на транспорте

Опубликовано в Интеллектуальные технологии на транспорте (сетевой электронный научный журнал), Intellectual Technologies on Transport · Номер 1 · Страницы 33–40 · Рубрика: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ТРАНСПОРТНЫЕ СИСТЕМЫ
DOI: https://doi.org/10.20295/2413-2527-2026-145-33-40 · EDN: KTNBAU
Получено: 22.01.2026 Одобрено: 06.02.2026 Опубликовано: 25.03.2026
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
Текст Список литературы
Текст (RU) (PDF)
Читать Скачать

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. 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

Войти или Создать
* Забыли пароль?