检测和诊断对于提高车辆的操作效率、安全性和稳定性至关重要。近年来，许多研究都探讨了使用可用车辆数据改进车辆诊断过程的数据驱动方法，同时采用了各种数据驱动方法来增强客户服务代理的交互。
自然语言在自动驾驶系统中扮演着重要角色，用于人车交互和车辆与行人及其他道路使用者的通信。它对于确保安全、用户体验和人类与自动系统之间的有效交互至关重要。设计应当清晰、具有上下文意识和用户友好性，以增强自动驾驶体验。
自动驾驶技术公司Wayve使用机器学习来解决自动驾驶挑战，消除了需要昂贵和复杂的机器人堆栈以及需要高度详细的地图和编程规则的需求。他们推出了一个开环驾驶评论员LINGO – 1。该技术通过从经验中学习，在任何环境和新地点进行驾驶而无需显式编程。
LINGO-1允许用户参与有意义的对话，使他们能够询问选择并了解场景理解和决策制定。它可以回答有关各种驾驶场景的问题，并澄清影响其驾驶决策的因素。乘客与自动驾驶车辆之间的这种独特对话可以增加透明度，使人们更容易理解和信任这些系统。
LINGO -1可以将来自摄像机和雷达的数据输入转换为转动方向盘或减速等驾驶输出。神经网络决策经过了全面的性能测试并进行了可靠的集成，以确保用户的安全。LINGO-1是在一个可扩展和多样化的数据集上进行训练的，该数据集包括了来自专家驾驶员在英国行驶时的图像、语言和行动数据。
LINGO -1可以执行各种活动，例如在红绿灯前减速、换道、通过注意到其他车辆的行动在交叉口停车等等。与人类水平的性能相比，LINGO-1的准确率达到了60%。这些结果是基于对其推理能力、对各种感知的问答和驾驶技能的评测。
LINGO-1还具有反馈机制，可以增强模型的适应能力并从人类反馈中学习。就像驾驶教练指导学员驾驶一样，纠正指导和用户反馈可以随时间改进模型的理解和决策过程。最后，可以得出结论，使用自然语言来增强基础驾驶模型的学习和可解释性是一个重要的第一步。