基于可预测性与可解释性建模自动驾驶车辆中的倾向性信任与初始习得信任
人机交互
2020-12-29 v1 机器人学
摘要
汽车工业的技术进步正使自动驾驶日益接近道路应用。然而，影响公众接受自动驾驶车辆（AVs）的最重要因素之一便是公众对AVs的信任。许多因素可影响人们的信任，包括对风险与收益的感知、情感以及对AVs的认知。本研究旨在利用这些因素，通过一项有1175名参与者完成的调查研究，预测人们对AVs的倾向性信任与初始习得信任。针对每位参与者，从调查问题中提取了23个特征，以刻画其关于AVs的知识、感知、经验、行为评估与情感。这些特征随后被用作训练eXtreme Gradient Boosting（XGBoost）模型的输入，以预测对AVs的信任。借助SHapley Additive exPlanations（SHAP），我们能够解释XGBoost的信任预测，从而进一步提升该模型的可解释性。相较于传统回归模型与黑盒机器学习模型，我们的研究结果表明，该方法在同时提供对AVs信任的高水平可解释性与可预测性方面具有强大能力。
引用
@article{arxiv.2012.13603,
title = {Modeling Dispositional and Initial learned Trust in Automated Vehicles with Predictability and Explainability},
author = {Jackie Ayoub and X. Jessie Yang and Feng Zhou},
journal= {arXiv preprint arXiv:2012.13603},
year = {2020}
}