RegulaRAG: Pipeline di IA per la Generazione di Scenari Conformi alle Regolamentazioni nella Sicurezza Automobilistica

Uno studio recente presenta RegulaRAG, un framework di Retrieval-Augmented Generation (RAG) volto a produrre scenari di test conformi alle regolamentazioni per sistemi automobilistici critici per la sicurezza. Questo sistema affronta il problema di ancorare i Large Language Models (LLM) all'interno di estesi standard gerarchici, in particolare il Regolamento UN n. 152 (AEBS). RegulaRAG integra SmartChunking, che migliora paragrafi e tabelle attraverso l'attraversamento di grafi, insieme a un approccio Smart Retrieve & Rerank. La ricerca valuta il sistema utilizzando un dataset curato che comprende tutti gli scenari del Regolamento UN n. 152, impiegando una ricerca progressiva in tre fasi per determinare i parametri di recupero ottimali, confronti diretti con cinque sistemi RAG di base e uno stress test di robustezza con contenuti distrattori. Gli output sono valutati con una metrica penalizzata su misura. Questo articolo è disponibile su arXiv (2608.16394) ed è una nuova sottomissione. Le sue implicazioni sono cruciali per il settore automobilistico, poiché cerca di migliorare la validazione dei sistemi avanzati di assistenza alla guida garantendo che la generazione di scenari sia allineata ai requisiti normativi.