Engineering Safety Requirements for Autonomous Driving with Large Language Models

本文是LLM系列文章，针对《Engineering Safety Requirements for Autonomous Driving with Large Language Models》的翻译。

摘要

需求工件的更改和更新在汽车领域可能很频繁，这对SafetyOps来说是一个挑战。大型语言模型（LLM）具有令人印象深刻的自然语言理解和生成能力，可以在每次更新后自动细化和分解需求方面发挥关键作用。在这项研究中，我们提出了一个提示和LLM管道的原型，该管道接收项目定义并以安全要求的形式输出解决方案。该管道还对需求数据集进行审查，并确定冗余或矛盾的需求。我们首先确定了执行HARA的必要特征，然后定义了测试来评估LLM满足这些标准的能力。我们使用多次迭代的设计科学，并让来自不同公司的专家对每个周期进行定量和定性评估。最后，原型在一家案例公司实施，负责团队评估了其效率。

1 引言

2 相关工作

3 方法论：设计科学

4 第一个设计周期：识别LLM的局限性

5 第一个工程周期：提示管道

6 第二个工程周期：使用内部LLM精炼管道和提示

7 讨论

8 对有效性的威胁

9 结论和未来工作

分析AD功能可以运行的高度复杂的场景需要大量的知识来分析每种故障模式对环境的潜在影响，而传统文档中可能不存在这种影响。这就是为什么LLM凭借其庞大的训练数据和用自然语言解释进一步文档的能力，可能在HARA