符号模仿学习：从黑盒到可解释的驾驶策略

当前模仿学习方法主要基于深度神经网络（DNN），提供了从真实世界数据集学习驾驶策略的高效机制。然而，它们在可解释性与泛化性上存在固有局限——在自动驾驶等安全关键领域，这是至关重要的问题。本文中，我们引入符号模仿学习（SIL），一种新颖框架，利用归纳逻辑编程（ILP）从合成数据集推导可解释且可泛化的驾驶策略。我们在真实世界 HighD 与 NGSim 数据集上评估 SIL，使用碰撞率、变道效率与平均车速等指标将其与最先进的神经模仿学习方法比较。结果表明，SIL 显著增强了策略透明度，同时在多样驾驶条件下保持强劲性能。这些发现凸显了将 ILP 集成至模仿学习以促进更安全可靠自主系统的潜力。