基于数字孪生与层归一化 LSTM 及逐层相关性传播的可解释在线换道预测
机器学习
2022-04-05 v1 人工智能
机器人学
摘要
人工智能与数字孪生在智能驾驶领域的创新驱动中发挥着不可或缺的作用。长短期记忆网络（LSTM）是换道预测用于操纵预判领域的领先驱动模型。然而，此类模型的决策过程复杂且不透明，从而降低了智能解决方案的可信度。本工作提出了一种利用逐层相关性传播（LRP）解释层归一化 LSTM 换道预测的创新方法与技术方案。其核心实现包括：从德国高速公路上的数字孪生获取实时数据，通过对 LRP 扩展至层归一化 LSTM 实现换道实时预测与解释，以及向人类用户传达并解释预测结果的交互界面。我们旨在展示忠实、可理解且可适应的换道预测解释，以提升涉及人类的 AI 系统的采用率与可信度。我们的研究还强调，用于操纵预判的 ML 模型的可解释性与最先进性能相辅相成，且不会对预测有效性产生负面影响。
引用
@article{arxiv.2204.01292,
title = {Explainable Online Lane Change Predictions on a Digital Twin with a Layer Normalized LSTM and Layer-wise Relevance Propagation},
author = {Christoph Wehner and Francis Powlesland and Bashar Altakrouri and Ute Schmid},
journal= {arXiv preprint arXiv:2204.01292},
year = {2022}
}