基于仿真的反事实因果发现在真实世界驾驶行为上的应用
机器人学
2024-03-07 v2 人工智能
摘要
能够推理自身行为如何影响他人行为，是智能驾驶主体所需的一项核心技能。尽管如此，现有最优方法难以满足主体发现自身与他人之间因果联系的需求。观测方法因动态环境中因果联系的非平稳性，以及因果交互的稀疏性而陷入困境，同时要求方法以在线方式工作。与此同时，干预方法不切实际，因为车辆无法在公共道路上试验其动作。为应对非平稳性问题，我们依据提取的事件重新表述该问题，而前述对干预的限制可通过反事实仿真克服。我们提出所提反事实因果发现方法的三种变体，并在从真实世界驾驶数据集中提取的 3396 个因果场景上，与最优的观测时序因果发现方法进行比较评估。我们发现，所提方法在定量上显著优于该任务上的最优方法，并且能通过比较另一系列决策的结果提供额外洞见，这是观测与干预方法无法做到的。
引用
@article{arxiv.2306.03354,
title = {Simulation-Based Counterfactual Causal Discovery on Real World Driver Behaviour},
author = {Rhys Howard and Lars Kunze},
journal= {arXiv preprint arXiv:2306.03354},
year = {2024}
}
备注
8 Pages, 4 Figures, Published in the Proceedings of the 2023 IEEE Intelligent Vehicles Symposium, Final submission version corrected to include copyright notice and funding attribution on the first page (rather than the last page)