自动驾驶车辆自然语言解释的语言构建块——X-Blocks
人工智能
2026-02-17 v1 计算与语言
机器人学
摘要
自然语言解释在建立自动驾驶车辆（AV）的信任与接受度方面发挥着关键作用，但现有方法缺乏系统化框架来分析人类在不同情景下如何构建驾驶理由的语言结构。本文引入 X-Blocks（eXplanation Blocks），一个分层分析框架，识别自动驾驶车辆自然语言解释的语言构建块，涉及三个层面：情境、语法与词汇。情境层面，我们提出 RACE（Reasoning-Aligned Classification of Explanations），一个结合链式思考推理与自洫机制的多 LLM 汇聚框架，用于将解释鲁棒分类为 32 个情景感知类别。应用于伯克利 DeepDrive-X 数据集中的人类编写解释时，RACE 在人类标注者一致性情况下的准确率达 91.45%，Kappa 为 0.91，表明其情境分类接近人类可靠性。在词汇层面，基于信息性 Dirichlet 先验的对数几率分析揭示了情景特定的词汇模式，以区别驱动情景。在语法层面，依存解析与模板提取显示，解释来自有限的可重用语法家族，其中在不同情境下的谓词类型和因果构造呈现系统性变异。X-Blocks 框架数据集中立且任务无关，可广泛应用于其他自动驾驶数据集和安全关键领域。总体而言，我们的发现为生成支持透明度、用户信任和认知可访问性的情景感知解释提供了证据基础的语言设计原则。
引用
@article{arxiv.2602.13248,
title = {X-Blocks: Linguistic Building Blocks of Natural Language Explanations for Automated Vehicles},
author = {Ashkan Y. Zadeh and Xiaomeng Li and Andry Rakotonirainy and Ronald Schroeter and Sebastien Glaser and Zishuo Zhu},
journal= {arXiv preprint arXiv:2602.13248},
year = {2026}
}