DRIVE：自动驾驶中可靠、鲁棒、可解释的视觉集成框架
机器人学
2024-09-17 v1 计算机视觉与模式识别
摘要
自动驾驶领域的最新进展出现了向端到端学习范式的转变，该范式将感知输入直接映射为驾驶动作，从而增强了自动驾驶车辆的鲁棒性和适应性。然而，这些模型往往牺牲了可解释性，对信任、安全和监管合规性构成了重大挑战。为了解决这些问题，我们引入了 DRIVE——自动驾驶中可靠、鲁棒、可解释的视觉集成框架，这是一个旨在提高端到端无监督自动驾驶模型解释的可靠性和稳定性的综合框架。我们的工作专门针对在穿越概念网格锁模型中观察到的内在不稳定性问题，这些问题破坏了其解释和决策过程的可信度。我们定义了 DRIVE 的四个关键属性：一致的可解释性、稳定的可解释性、一致的输出和稳定的输出。这些属性共同确保了解释在不同场景和扰动下保持可靠和鲁棒。通过广泛的实证评估，我们证明了我们的框架在增强解释的稳定性和可靠性方面的有效性，从而解决了当前模型的局限性。我们的贡献包括对 DCG 模型中可靠性问题的深入分析、带有基本属性的 DRIVE 严格定义、实现 DRIVE 的框架，以及用于评估基于概念的可解释自动驾驶模型可靠性的新指标。这些进展为开发更可靠、更受信任的自动驾驶系统奠定了基础，为其在现实世界应用中的更广泛接受和部署铺平了道路。
引用
@article{arxiv.2409.10330,
title = {DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving},
author = {Songning Lai and Tianlang Xue and Hongru Xiao and Lijie Hu and Jiemin Wu and Ninghui Feng and Runwei Guan and Haicheng Liao and Zhenning Li and Yutao Yue},
journal= {arXiv preprint arXiv:2409.10330},
year = {2024}
}