Provider: openai-compatible · Model: gemini-3.8-flash-high · Version: analysis-v1 · Time: 2026-09-30 10:40:47 +0000 UTC
{"tags": ["Autonomous Driving", "doPlan", "nuPlan", "Language-Conditioned Planning", "Trajectory Planning", "Multi-Stage Intent", "Dataset"], "risks": ["Độ nhạy của mô hình với ngôn ngữ hành khách hiện chưa đồng nghĩa với việc đưa ra hành vi lái xe chính xác và an toàn theo hướng yêu cầu.", "Rủi ro an toàn nếu bộ lập kế hoạch xác định sai thời điểm kích hoạt mục tiêu trong tương lai (kích hoạt quá sớm hoặc quá muộn trong giao thông thực tế).", "Chi phí tính toán và độ phức tạp bộ nhớ tăng cao khi phải duy trì và grounding ngữ cảnh ngôn ngữ liên tục trong cửa sổ thời gian dài."], "category": "Research", "entities": ["doPlan", "nuPlan", "Mi3-Lab", "GitHub"], "summary_vi": "Giới thiệu doPlan, bộ dữ liệu lái xe tự hành thực tế đầu tiên gán nhãn thủ công nhằm nghiên cứu ngôn ngữ của hành khách dưới dạng ngữ cảnh nhiệm vụ dài hạn (persistent task context). Được xây dựng trên nuPlan, doPlan gồm 5.154 chỉ dẫn (169,1 giờ ngữ cảnh tích lũy, 50,9 giờ lái xe độc nhất) bao quát các ý định tức thời, trì hoãn, có điều kiện và đa giai đoạn. Thử nghiệm trên 4 mô hình cho thấy tầm nhìn quy hoạch 5 giây phổ biến hiện nay chỉ đáp ứng được 9,8% trường hợp, trong khi thời gian trung vị để thực hiện thao tác là 24,6 giây.", "key_changes": ["Công bố bộ dữ liệu mã nguồn mở doPlan cùng giao diện gán nhãn dựa trên nền tảng nuPlan tại GitHub Mi3-Lab/doPlan.", "Cung cấp 5.154 chỉ dẫn ngôn ngữ tự nhiên từ con người với độ dài cửa sổ gán nhãn từ 30,0 đến 508,8 giây, trải dài trên 169,1 giờ ngữ cảnh.", "Mở rộng phân loại ý định hành khách ra ngoài các lệnh ngắn: hỗ trợ lệnh tức thời, trì hoãn (deferred), phụ thuộc sự kiện (event-conditioned), ngữ cảnh kéo dài (persistent) và đa giai đoạn (multi-stage).", "Đánh giá 4 mô hình lái xe điều khiển bằng ngôn ngữ và phát hiện độ trễ lớn: thao tác tương ứng xảy ra sau trung vị 24,6 giây, và chỉ 9,8% nằm trong phạm vi dự đoán 5 giây tiêu chuẩn."], "sub_category": "Autonomous Driving & Planning", "novelty_score": 88, "business_score": 75, "research_score": 92, "why_it_matters": "Lấp đầy khoảng trống nghiên cứu quan trọng trong tương tác người-xe tự hành bằng cách chuyển từ các mệnh lệnh ngắn cục bộ sang ngữ cảnh nhiệm vụ dài hạn và đa giai đoạn. Đồng thời chỉ ra giới hạn cốt lõi của các mô hình lái xe hiện tại (khung dự đoán 5 giây không đủ cho các thao tác thực tế cần trung vị 24,6 giây), định hướng phát triển cho các kiến trúc variable-horizon planner thế hệ mới.", "developer_score": 80, "importance_score": 82, "possible_use_cases": ["Huấn luyện và đánh giá các mô hình quy hoạch quỹ đạo (motion planner) điều khiển bằng ngôn ngữ tự nhiên cho xe tự hành/robotaxi.", "Phát triển hệ thống trợ lý ảo thông minh trong xe có khả năng ghi nhớ và duy trì mục tiêu đa bước của hành khách xuyên suốt hành trình.", "Nghiên cứu giải thuật theo dõi và kích hoạt mục tiêu trì hoãn (goal tracking & grounding) dựa trên biến đổi của môi trường giao thông."], "actionability_score": 78}