GRIT：用于自动驾驶的基于学习决策树的高速、可解释且可验证目标识别

自动驾驶车辆具备推断其他车辆目标的能力（目标识别）十分重要，以便安全地与其他车辆交互并预测其未来轨迹。这是一个困难的问题，尤其在许多车辆交互的城市环境中。目标识别方法必须快速以实时运行并做出准确推断。由于自动驾驶关乎安全关键，具备人类可解释且安全性可被形式化验证的方法十分重要。现有的自动驾驶车辆目标识别方法未能同时满足快速、准确、可解释与可验证这四个目标。我们提出基于可解释树的目标识别（GRIT），一种实现这些目标的目标识别系统。GRIT 利用在车辆轨迹数据上训练的决策树。我们在两个数据集上评估 GRIT，表明 GRIT 实现了快速推断速度并与两个深度学习基线、一种基于规划的目标识别方法以及 GRIT 的消融版本具有相当的精度。我们展示了所学树具有人类可解释性，并演示了如何使用可满足模理论（SMT）求解器对 GRIT 的性质进行形式化验证。