超越 RMSE：机器学习得到的道路使用者交互模型是否产生类人行为？
机器学习
2023-03-30 v2 人机交互
摘要
自动驾驶车辆使用多种传感器与机器学习模型来预测周围道路使用者的行为。文献中多数机器学习模型聚焦于如均方根误差（RMSE）之类的定量误差度量来学习并报告其模型能力。这种对定量误差度量的聚焦往往忽略模型中更为重要的行为层面，引发这些模型是否真正预测类人行为的问题。因此，我们提议像在传统行为研究中分析人类数据那样分析机器学习模型的输出。我们引入定量度量，以在一个自然高速公路驾驶数据集中证明三种不同行为现象的存在：1）谁先通过合流点的运动学依赖性；2）高速公路车辆为容纳匝道车辆而进行的变道；3）高速公路车辆为避免前车冲突而进行的变道。随后，我们使用相同度量分析三个机器学习模型的行为。尽管各模型的 RMSE 值不同，所有模型都捕捉到了运动学依赖的合流行为，但在捕捉更细微的礼让变道与高速公路变道行为上程度不一地存在困难。此外，变道期间的碰撞规避分析显示，模型难以捕捉人类驾驶的物理层面：在车辆间留有充足间隙。因此，我们的分析凸显了简单定量度量的不足，以及在分析人类驾驶预测的机器学习模型时采取更宽泛行为视角的必要。
引用
@article{arxiv.2206.11110,
title = {Beyond RMSE: Do machine-learned models of road user interaction produce human-like behavior?},
author = {Aravinda Ramakrishnan Srinivasan and Yi-Shin Lin and Morris Antonello and Anthony Knittel and Mohamed Hasan and Majd Hawasly and John Redford and Subramanian Ramamoorthy and Matteo Leonetti and Jac Billington and Richard Romano and Gustav Markkula},
journal= {arXiv preprint arXiv:2206.11110},
year = {2023}
}
备注
This work has been accepted for publication in the IEEE Transactions on Intelligent Transportation Systems journal on 13th March 2023