科学家推出让自动驾驶汽车更加方便乘客的策略
自动驾驶汽车的引入将为城市交通带来诸多好处，包括提高安全性、减少交通拥堵和提高可达性。自动驾驶汽车还使驾驶员能够在途中从事与驾驶无关的任务 (NDRT)，例如放松、工作或观看多媒体。然而，乘客的信任度有限，阻碍了自动驾驶汽车的广泛采用。为了解决这个问题，自动驾驶汽车决策的解释可以通过提供控制权和减少负面体验来增进信任。这些解释必须信息丰富、易于理解、简洁明了才能有效。
现有的可解释人工智能 (XAI) 方法主要面向开发人员，侧重于高风险场景或全面解释，可能不适合乘客。为了填补这一空白，以乘客为中心的 XAI 模型需要了解真实驾驶场景中所需的信息类型和时间。
为了解决这一问题，由韩国光州科学技术研究院 (GIST) 的 SeungJun Kim 教授领导的研究团队调查了自动驾驶汽车乘客在实际道路条件下的需求解释。然后，他们引入了一个名为 TimelyTale 的多模式数据集，其中包含乘客特定的传感器数据，以便提供及时和与情境相关的解释。
“我们的研究将自动驾驶中 XAI 的重点从开发人员转移到乘客。我们开发了一种方法来收集乘客对车载解释的实际需求，并制定了为乘客提供及时、与情况相关的解释的方法，”Kim 教授解释说。
他们的研究成果发表在2023年 9 月 27 日和2024 年 9 月 9 日发表在 ACM 交互式、移动、可穿戴和普适技术论文集上的两项研究中。作者因其开创性研究“解释什么和何时解释？：高度自动化汽车上道路解释评估”而荣获 UbiComp 2024 的“杰出论文奖”。
研究人员首先利用增强现实技术研究了各种视觉解释类型（包括感知、注意力以及两者的结合）及其时机对真实驾驶条件下乘客体验的影响。他们发现，仅凭车辆的感知状态就能提高信任度、感知安全性和情境意识，而不会让乘客感到不知所措。他们还发现，交通风险概率对于决定何时提供解释最为有效，尤其是当乘客感到信息量过大时。
基于这些发现，研究人员开发了 TimelyTale 数据集。该方法包括外部感受（描述外部环境，如视觉、声音等）、本体感受（描述身体的位置和运动）和内部感受（描述身体的感觉，如疼痛等）数据，这些数据是在自然驾驶场景中使用各种传感器从乘客那里收集的，作为预测他们解释需求的关键特征。
值得注意的是，这项研究还采用了可中断性的概念，即乘客的注意力从 NDRT 转移到与驾驶相关的信息。该方法有效地确定了乘客要求解释的时间和频率，以及乘客在驾驶过程中想要的具体解释。
利用这种方法，研究人员开发了一种机器学习模型，可以预测提供解释的最佳时间。此外，作为概念验证，研究人员进行了全市建模，以根据不同的驾驶位置生成文本解释。
金教授表示：“我们的研究为提高自动驾驶汽车的接受度和采用度奠定了基础，有可能在未来几年重塑城市交通和个人出行。”
页:
[1]