Hint-AD：面向端到端自动驾驶的全面对齐可解释性
计算机视觉与模式识别
2024-09-11 v1 人工智能
摘要
端到端自动驾驶（AD）架构面临着可解释性挑战，这阻碍了人类与 AI 之间的信任。人类友好的自然语言被用于诸如驾驶解释和 3D 描述等任务。然而，先前的工作主要关注声明式可解释性范式，即自然语言解释未与 AD 系统的中间输出相结合，仅为声明式。相比之下，对齐可解释性在语言和 AD 系统中间输出之间建立了联系。本文引入 Hint-AD，一个集成的 AD-语言系统，生成与 AD 模型的整体感知-预测-规划输出相匹配的语言。通过融合中间输出和用于有效特征适应的整体 token mixer 子网络，Hint-AD 实现了理想的准确率，在包括驾驶解释、3D 稠密描述和命令预测在内的驾驶语言任务中实现了最先进的结果。为促进在 nuScenes 上进行驾驶解释任务的进一步研究，我们还引入了一个人工标注的数据集 Nu-X。代码、数据集和模型将公开 disponible。
引用
@article{arxiv.2409.06702,
title = {Hint-AD: Holistically Aligned Interpretability in End-to-End Autonomous Driving},
author = {Kairui Ding and Boyuan Chen and Yuchen Su and Huan-ang Gao and Bu Jin and Chonghao Sima and Wuqiang Zhang and Xiaohui Li and Paul Barsch and Hongyang Li and Hao Zhao},
journal= {arXiv preprint arXiv:2409.06702},
year = {2024}
}
备注
CoRL 2024, Project Page: https://air-discover.github.io/Hint-AD/