Vision-Language Assistant for Emotional Reactions to Risky Driving
यह शोध पत्र "कीप येलिंग असिस्टेंट" (KYA) को प्रस्तुत करता है, जो एक विजन-लैंग्वेज पाइपलाइन है जो YOLOv8-आधारित जोखिमपूर्ण ड्राइविंग डिटेक्शन को बड़े भाषा मॉडलों (LLMs) के साथ जोड़ता है ताकि चालक की प्राथमिकताओं के अनुरूप वास्तविक समय में, भावनात्मक रूप से अनुकूलित मौखिक प्रतिक्रियाएं उत्पन्न की जा सकें, जिससे वाहनों में सुरक्षा और भावनात्मक कल्याण को बढ़ाया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक व्यस्त सड़क पर गाड़ी चला रहे हैं, और अचानक, एक कार बिना संकेत दिए आपके सामने तेजी से आ जाती है। आपका दिल धड़कना भूल जाता है, आपकी पकड़ स्टीयरिंग व्हील पर मजबूत हो जाती है, और आप शायद चिल्ला उठते हैं, "हे, ध्यान से!" यह डर के प्रति एक बहुत ही मानवीय प्रतिक्रिया है। लंबे समय तक, हमारी कारों के अंदर के कंप्यूटर स्टोइक रोबोट की तरह रहे हैं: वे खतरे को देखते हैं, गणित की गणना करते हैं, और एक चेतावनी बीप देते हैं, लेकिन वे तनाव या झुंझलाहट को कभी महसूस नहीं करते। यह शोध पत्र "विज़न-लैंग्वेज मॉडल्स" की दुनिया में रहता है, जो मूल रूप से सुपर-स्मार्ट कंप्यूटर दिमाग हैं जो एक तस्वीर देख सकते हैं (विज़न) और फिर मानव भाषा का उपयोग करके उसके बारे में बात कर सकते हैं (लैंग्वेज)। इन्हें एक ऐसे कैमरे के रूप में सोचें जो जो कुछ भी देखता है उसके बारे में डायरी प्रविष्टि भी लिख सकता है। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम इन कार कंप्यूटरों को न केवल एक जोखिम भरे ड्राइवर को देखने के लिए, बल्कि उसी भावनात्मक अंदाज़ के साथ प्रतिक्रिया करने के लिए सिखा सकते हैं जैसा कि एक इंसान करता है? पता चला है कि, यदि हम ऐसा कर सकते हैं, तो यह ड्राइविंग को कम तनावपूर्ण और सुरक्षित बना सकता है, क्योंकि एक कार जो आपके मूड को समझ सकती है, वह आपको शांत करने में मदद कर सकती है या इस तरह से चेतावनी दे सकती है जो वास्तव में वास्तविक महसूस हो।
यहाँ आता है KYA, जिसका अर्थ है कीप येलिंग असिस्टेंट (Keep Yelling Assistant)। आप KYA को एक व्यक्तित्व वाले डिजिटल सह-पायलट के रूप में देख सकते हैं। केवल "चेतावनी: आगे कार है" कहने के बजाय, KYA को सड़क को देखने, अचानक कट मारने जैसे खतरनाक कदम को पहचानने और फिर आपके मूड से मेल खाने वाली प्रतिक्रिया चिल्लाने के लिए डिज़ाइन किया गया है। यदि आपको मजाकिया बनना पसंद है, तो KYA दूसरे ड्राइवर के बारे में एक चुटकुला सुना सकता है। यदि आप गंभीर होना चाहते हैं, तो यह आपको स्थिति का एक शांत, विश्लेषणात्मक विवरण दे सकता है। शोधकर्ताओं ने इस प्रणाली को दो मुख्य भागों को जोड़कर बनाया है: एक जोड़ी "आंखें" और एक "दिमाग"। आंखें एक कंप्यूटर विज़न टूल हैं जिसे YOLOv8 कहा जाता है (जो एक सुपर-फास्ट सुरक्षा गार्ड की तरह है जो कारों को पहचानता है और उनकी गति को ट्रैक करता है)। दिमाग एक लार्ज लैंग्वेज मॉडल (LLM) है, जो उसी तरह की तकनीक है जो स्मार्ट चैटबॉट्स को संचालित करती है। विज़न वाला हिस्सा मापता है कि दूसरी कार कितनी करीब है और कितनी तेजी से आ रही है, और फिर उस डेटा को दिमाग को भेजता है, जो उन नंबरों को सही भावनात्मक स्वर के साथ एक बोले गए वाक्य में बदल देता है।
यह विचार काम करता है या नहीं, यह देखने के लिए, टीम ने जोखिम भरी ड्राइविंग के वास्तविक डैशकैम वीडियो के साथ इसका परीक्षण किया और 108 लोगों को इसमें शामिल होने के लिए कहा। उन्होंने प्रतिभागियों को विभिन्न "व्यक्तित्वों" के साथ दिखाया, जिसमें "तटस्थ" (Neutral) और "विश्लेषणात्मक" (Analytical) से लेकर "हास्यपूर्ण" (Humorous), "क्रोधित" (Angry) और यहाँ तक कि "उदार" (Magnanimous - जिसका अर्थ है बहुत क्षमाशील होना) तक शामिल थे। फिर उन्होंने प्रतिभागियों से यह चुनने के लिए कहा कि कौन सी कंप्यूटर-जनित प्रतिक्रिया स्थिति के लिए सबसे सही महसूस हुई। परिणाम काफी स्पष्ट थे: लोग आम तौर पर एक भावनात्मक सहायक के विचार को पसंद करते हैं। जब बात विशिष्ट व्यक्तित्वों की आई, तो अधिकांश लोग हास्यपूर्ण और विश्लेषणात्मक शैलियों को पसंद करते थे, जबकि जो केवल क्रोधित थे, वे कम लोकप्रिय थे। ऐसा लगता है कि हम चाहते हैं कि हमारी कार चतुर या बुद्धिमान हो, न कि केवल चिल्लाने वाली।
जब आवाज़ के पीछे के "दिमाग" की बात आई, तो शोधकर्ताओं ने चार अलग-अलग AI मॉडलों का परीक्षण किया: ChatGPT-4o, Claude 3, Gemini 2.5, और Copilot। उन्होंने पाया कि ChatGPT-4o जनता का पसंदीदा था, जिसने उच्चतम स्कोर (5.00 में से 4.29) प्राप्त किया। यह विशेष रूप से मजाकिया और विश्लेषणात्मक होने में अच्छा था। हालाँकि, अध्ययन से यह भी पता चला कि अलग-अलग लोग अलग-अलग आवाजों को पसंद करते हैं; उदाहरण के लिए, महिला प्रतिभागियों ने भावनात्मक बारीकियों के लिए Claude 3 मॉडल को प्राथमिकता दी, जबकि पुरुष प्रतिभागियों ने Copilot की ओर झुकाव दिखाया। दिलचस्प बात यह है, अध्ययन बताता है कि एक रोबोटिक आवाज काम नहीं करती थी—लोग एक मानव-समान आवाज चाहते थे, जिसमें महिला आवाजों के प्रति थोड़ी प्राथमिकता थी, शायद इसलिए क्योंकि वे डरावने क्षण में अधिक गर्मजोशी भरी या आश्वस्त करने वाली महसूस होती हैं।
यह शोध पत्र यह दावा नहीं करता है कि इसने ड्राइविंग की सभी समस्याओं को हल कर दिया है या कल आपकी कार के लिए एक आदर्श प्रणाली तैयार है। वास्तव में, शोधकर्ता सावधानी बरतते हुए नोट करते हैं कि उन्होंने इसका परीक्षण केवल पूर्व-रिकॉर्डेड वीडियो और एक सर्वेक्षण का उपयोग करके किया है, न कि वास्तव में सड़कों पर वास्तविक समय में कारें चलाकर। वे यह भी स्वीकार करते हैं कि उनकी "आंखें" (विज़न सिस्टम) विशिष्ट प्रकार के जोखिमों के लिए सबसे अच्छा काम करती हैं, जैसे कि कारों का अचानक कट मारना, और अन्य खतरों जैसे कि टेलगेटिंग (पीछे से बहुत करीब गाड़ी चलाना) के लिए उन्हें बदलाव की आवश्यकता हो सकती है। लेकिन मुख्य निष्कर्ष एक आशाजनक है: सड़क को देखने वाले कैमरे को मानवीय भावनाओं को समझने वाले दिमाग के साथ जोड़कर, हम एक कार सहायक बना सकते हैं जो न केवल हमें सुरक्षित रखता है, बल्कि हमें मानसिक रूप से भी स्थिर रखता है। अध्ययन बताता है कि जब हम मशीनों द्वारा समझे जाने का अनुभव करते हैं, तो तनावपूर्ण ट्रैफिक जाम में भी, ड्राइविंग का पूरा अनुभव थोड़ा कम भयानक और बहुत अधिक मानवीय हो सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।