基于NLP流水线的脱离事件因果关系抽取
人机交互
2021-11-08 v1 计算与语言
机器人学
摘要
机器学习与人工智能的发展正推动自动驾驶车辆(AVs)在公共道路上的测试与部署。加利福尼亚州车辆管理局(CA DMV)启动了自动驾驶测试者计划,收集并发布与自动驾驶脱离(AVD)相关的报告。理解AVD的成因对于提升AV系统的安全性与稳定性,并为AV测试与部署提供指导至关重要。本工作构建了一个可扩展的端到端流水线,利用自然语言处理深度迁移学习对2014至2020年发布的脱离报告进行收集、处理、建模与分析。借助分类法、可视化与统计检验对脱离数据的分析揭示了AV测试的趋势、成因频次分类,以及AVD成因与结果之间的显著关系。我们发现:(1)制造商在春季和/或冬季密集测试AV;(2)测试驾驶员引发了超过80%的脱离,而超过75%的脱离由AV系统自身的感知、定位与建图、规划与控制错误导致;(3)AVD的发起者与成因类别之间存在显著关系。本研究作为使用预训练模型进行深度迁移学习的成功实践,生成了一个整合的脱离数据库,可供其他研究者进一步探究。
引用
@article{arxiv.2111.03511,
title = {Disengagement Cause-and-Effect Relationships Extraction Using an NLP Pipeline},
author = {Yangtao Zhang and X. Jessie Yang and Feng Zhou},
journal= {arXiv preprint arXiv:2111.03511},
year = {2021}
}