通过不确定性改进自动驾驶汽车的可解释对象诱导模型

自动驾驶车辆的快速发展有望提供更安全、高效和舒适的出行选择。然而，这些系统在复杂驾驶场景中面临可靠性挑战。最近的可解释自动驾驶架构，无论是端到端设计还是管道式设计，在为行为提供解释时都忽略了与内在不确定性相关的关键信息。为了应对这些挑战，我们的研究基于「对象诱导」模型方法，该方法优先考虑场景中对象在决策中的作用，并使用具有Beta先验的证据深度学习范式将不确定性评估整合到决策过程中。此外，我们探索了几种由不确定性引导的高级训练策略，包括不确定性引导的数据重加权和数据增强。利用BDD-OIA数据集，我们的发现表明，通过这些增强，模型不仅提供了对自动驾驶决策及其底层推理的更清晰理解，而且在广泛场景中超越了现有基线。