Large Language Models (LLMs), with their abilities in knowledge acquisition and reasoning, can potentially enhance the various aspects of Self-adaptive Systems (SAS). Yet, the potential of LLMs in SAS remains largely unexplored and ambiguous, due to the lack of literature from flagship conferences or journals in the field, such as SEAMS and TAAS. The interdisciplinary nature of SAS suggests that drawing and integrating ideas from related fields, such as software engineering and autonomous agents, could unveil innovative research directions for LLMs within SAS. To this end, this paper reports the results of a literature review of studies in relevant fields, summarizes and classifies the studies relevant to SAS, and outlines their potential to specific aspects of SAS. Literature classification: www.github.com/545659928/LLM4SAS

External human-machine interfaces (eHMIs) are expected to improve pedestrian interactions with automated vehicles (AVs) and foster greater social acceptance. While earlier research has primarily focused on refining eHMI designs by examining different modalities and color preferences, determining the most effective eHMI location on vehicles remains a significant challenge. Although some studies have started investigating various eHMI display locations, a comprehensive analysis of factors related to vehicle type and eHMI location that affect pedestrian preferences remains insufficient. To address this gap, we conducted a Virtual Reality user study to evaluate pedestrian responses to different AVs equipped with eHMIs positioned in various locations. Our results indicate that pedestrians perceive larger vehicles as less safe, yet the increased visibility provided by longer light bands on these vehicles influences their crossing decisions. Furthermore, the location and height of the eHMI in relation to eye level are critical, as improper positioning can reduce its visibility, leading to a negative impression among participants.