基于深度视觉的自动驾驶系统的可解释性：综述与挑战
计算机视觉与模式识别
2022-07-20 v2 人工智能
机器学习
机器人学
摘要
本综述回顾了通过行为克隆训练得到的基于视觉的自动驾驶系统的可解释性方法。可解释性概念具有多个维度，而在驾驶这一安全关键应用中，对可解释性的需求尤为强烈。本综述汇集了计算机视觉、深度学习、自动驾驶、可解释 AI (X-AI) 等多个研究领域的成果，探讨了若干要点。首先，讨论了从自动驾驶系统获取更高可解释性与可理解性的定义、背景与动机，以及该应用特有的挑战。其次，对以事后方式向黑盒自动驾驶系统提供解释的方法进行了全面梳理与详述。第三，详细呈现并讨论了文献中旨在从设计上构建更具可解释性自动驾驶系统的方法。最后，识别并考察了剩余的开放性挑战与潜在未来研究方向。
引用
@article{arxiv.2101.05307,
title = {Explainability of deep vision-based autonomous driving systems: Review and challenges},
author = {Éloi Zablocki and Hédi Ben-Younes and Patrick Pérez and Matthieu Cord},
journal= {arXiv preprint arXiv:2101.05307},
year = {2022}
}
备注
IJCV 2022