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

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。

Aug, 2023

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

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

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

本文提出了 Interaction Scene Graph (ISG) 作为一种统一的方法，用于建模自动驾驶中的自车、道路代理和地图元素之间的相互作用，并在 nuScenes 数据集上进行评估，显示出较强的全栈驾驶任务性能优势。

Mar, 2024

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

评估文本到图像模型的难点在于信实性，本研究提出了一种基于问答生成的评估框架，使用预训练模型自动生成问题和答案，并通过与基于视觉问答的答案比较来评分图像的一致性，同时引入 Davidsonian Scene Graph (DSG) 作为一个模块化的方法来解决问题，最终呈现了包含 1,060 个提示的开源评估基准。

Oct, 2023

本文介绍了一种新的方法来生成自然语言的解释，解释视觉问答（VQA）问题的答案，其包含图像中支持答案的证据，使用了场景图中的实体注释和 VQA 模型生成的关注图来证明。在 Visual Genome（VG）数据集上运行算法，并进行内部用户研究，证明了我们的方法的有效性。

Feb, 2019

我们提出了一种基于场景图和强化学习的方法来解决视觉问答任务，实验结果表明该方法在 GQA 数据集上已达到接近人类水平的效果。

Jul, 2020