合理人群：迈向基于证据且可解释的驾驶行为模型

自动驾驶车辆必须平衡一组复杂目标。关于应如何平衡，以及关于指定期望驾驶行为的模型，目前尚无共识。我们创建了一个数据集，以在有限运行域内帮助解决其中部分问题。数据包含 92 个交通场景，每个场景有多种通行方式。多名标注者对场景通行方式两两之间的偏好进行了表达。我们利用数据将一个规则手册实例（独立于数据集精心手工编写）与若干可解释机器学习模型（如贝叶斯网络、决策树和逻辑回归，在数据集上训练）进行比较。为比较驾驶行为，这些模型使用分数来指示不同场景通行方式违反 14 条驾驶规则中每条的程度。这些规则可解释且由领域专家设计。首先，我们发现这些规则足以使这些模型在数据集上达到高分类准确率。其次，我们发现该规则手册在不过度牺牲性能的情况下提供了高可解释性。第三，数据指出了规则手册与规则中可能的改进，以及潜在的新规则。第四，我们还通过训练随机森林等不可解释模型探讨了可解释性—性能权衡。最后，我们公开该数据集以鼓励更广泛社区对自动驾驶车辆行为规范的讨论。请见 github.com/bassam-motional/Reasonable-Crowd。