Aug, 2023

获取自动驾驶场景解释的定性可解释图

PDF
TL;DR汽车自动驾驶中的鲁棒公平可解释人工智能方法的发展是其未来的基础。本文提出了一种名为 Qualitative eXplainable Graph（QXG）的汽车自动驾驶场景的新表达方法，用于对长期场景进行定性时空推理。实验证明，这种定性可解释图的实时计算和轻量级存储为改进和更可信赖的感知与控制过程提供了潜在的有趣工具。
automated drivingexplainable artificial intelligencequalitative explainable graphspatiotemporal reasoningperception and control processes
发现论文，激发创造
  • 通过定性场景理解和解释实现可靠的自动驾驶

    自动驾驶中使用的定性可解释图 (QXG) 能够通过传感器数据和机器学习模型解释自动驾驶车辆的环境，利用时空图和定性约束从原始传感器输入中提取场景语义，支持实时增量构建，可用于车内解释和决策合理化。

    Mar, 2024

  • 通过定性场景理解和解释实现可信的自动驾驶

    我们提出了定性可解释图（QXG）：一种用于城市移动中场景理解的统一符号和定性表示。QXG 利用时空图和定性约束从原始传感器输入（如 LiDAR 和相机数据）中提取场景语义，为自动车辆的环境进行解读，从而提供了一种可理解的场景模型。QXG 具备实时递增构建的能力，使其成为针对不同类型传感器的车内解释和实时决策的多功能工具。我们的研究展示了 QXG 的转型潜力，特别是在自动驾驶的背景下，通过将图与车辆行为相连接，阐明决策原理。这些解释服务于多种目的，从通知乘客和警示弱势道路使用者（VRUs），到促进先前行为的后续分析。

    Jan, 2024

  • 自动驾驶数据知识图谱嵌入评估：经验与实践

    该研究旨在探讨自动驾驶数据的知识图嵌入生成和评估，并考虑知识图的信息细节与衍生嵌入质量的关系，结果表明，在自动驾驶领域，知识图的信息细节越高，衍生嵌入的质量越高，并且基于语义转移距离的 TransE 算法更好地捕捉类型和关系的语义。

    Feb, 2020

  • 基于知识图谱的自动驾驶方法综述

    本文提出了基于知识图谱和本体论的自动驾驶解决方案，涵盖了本体学习、感知、场景理解、运动规划和验证等五大主要领域，并讨论了当前的挑战和未来研究方向。

    Sep, 2022

  • 走向清晰之路：探索可解释的人工智能在驾驶辅助系统中的世界模型

    在自动驾驶中，透明度和安全性至关重要，使用于自动驾驶系统中的神经网络通常被认为是黑盒。我们通过可解释的人工智能方法和粗粒化技术来解决这一问题，并提出了一种建立透明骨干模型的方法，使得潜在值能够映射到输入特征，并且性能可与黑盒模型相媲美。此外，我们还提出了分析预测网络内部动态和特征相关性的解释和评估技术，并通过分析一个预测行人感知的 VAE-LSTM 世界模型来展示我们的方法。

    Apr, 2024

  • 基于 RAG 的使用知识图谱和大型语言模型的自动驾驶道路用户行为可解释预测

    在自动驾驶的背景下，通过结合知识图谱和大型语言模型的推理能力与表达能力，提出了一种可解释的道路用户行为预测系统，该系统使用检索增强生成技术，通过知识图谱嵌入和贝叶斯推理结合在一起，实现对行为的预测，并在行人过马路行为和变道操作的两个应用场景中表现出超越现有技术的性能和 F1 得分，展示了未来研究的有希望的方向。

    May, 2024

  • 可解释人工智能应用于安全可靠自动驾驶的系统性综述

    人工智能在自动驾驶的感知和规划任务中表现出优越性能，但不透明的人工智能系统加剧了自动驾驶的安全保障难题。为了缓解这一挑战，我们首次对透明解释性人工智能方法在安全可信自动驾驶领域进行了全面系统的文献综述。我们分析了自动驾驶中人工智能的要求，并针对数据、模型和机构三个关键方面提出了透明解释性人工智能的基本原则。在此基础上，我们提出了五个透明解释性人工智能对安全可信自动驾驶的关键贡献，包括可解释设计、可解释的代理模型、可解释的监控、辅助解释和可解释的验证。最后，我们提出了一个名为 SafeX 的模块化框架，将这些贡献集成起来，为用户提供解释并同时确保人工智能模型的安全性。

    Feb, 2024

  • 场景图上的可解释和显式视觉推理

    通过使用场景图作为归纳偏差，我们设计了一种简洁灵活的可解释和显式神经模块（XNMs），并且能够显式追踪图形注意力的推理流程。当使用完美检测的场景图时， XNMs 能够在 CLEVR 和 CLEVR CoGenT 上实现 100％的准确率，当嘈杂地检测真实世界图像时，XNMs 仍然能够达到竞争性 67.5％的 VQAv2.0 准确度，超越了流行的无结构模型。

    Dec, 2018

  • 走向可解释的移动数据科学人工智能

    本文介绍了我们关于可解释的移动数据科学 XAI 方案的持续研究成果，重点是通过使用时空图神经网络和反事实方法从密集轨迹数据中学习可解释模型，如车辆和船舶的 GPS 轨迹，并回顾了现有的 GeoXAI 研究，主张采用以人为本的方法进行全面的解释，并概述了通向移动数据科学的 XAI 研究路径。

    Jul, 2023

  • 利用异构图表示实现可解释的运动预测

    本研究提出了一种新型的可解释的异质图策略模型 (XHGP)，并探讨了利用 GNNExplainer 和反事实推理来提高运动预测系统的可解释性，以便达到更为透明和可靠的自动驾驶需求。

    Dec, 2022