論文の概要: From Correlation to Causation in Lane Change Prediction for Automated Driving: A Causal Explanation Framework

• arxiv url: http://arxiv.org/abs/2606.15756v1
• Date: Sun, 14 Jun 2026 11:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.826507
• Title: From Correlation to Causation in Lane Change Prediction for Automated Driving: A Causal Explanation Framework
• Title（参考訳）: 自動走行における車線変更予測の因果関係から:因果説明フレームワーク
• Abstract要約: 車線変更予測はインテリジェントな車両における中心的な課題である。 本稿では,車線変化予測と説明のための因果推論に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.81933456866472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lane-change prediction is a central task in intelligent vehicles, where early maneuver anticipation can support safer decision-making. However, many existing approaches mainly learn statistical associations between observed driving variables and future maneuvers, while overlooking the causal dependencies among the input variables themselves. This limits interpretability, especially when physically related variables such as longitudinal gap, relative longitudinal velocity, and Time-To-Collision (TTC) are treated as independent flat inputs. This article presents a causal-inference-based framework for lane-change prediction and explanation. The proposed approach combines linguistic feature construction, expert-constrained causal discovery, deep structural causal modeling with Deep End-to-end Causal Inference (DECI), intervention-based effect analysis, refutation testing, and recursive causal-chain explanation. The objective is not only to predict the future maneuver, but also to identify candidate variables that directly contribute to the prediction, the upstream factors influencing them, and the causal chains through which these effects propagate. The framework achieves average F1-scores above 95% during the first three seconds before the lane-marking crossing event. Beyond prediction accuracy, the framework uses intervention-based effect analysis to distinguish influential from weakly influential variables under the learned causal structure. It further distinguishes candidate direct contributors from mediated effects and generates contrastive causal-chain explanations that clarify why the predicted maneuver is favored and why the alternative maneuvers are less supported. The main contribution is therefore a mechanism-aware lane-change prediction pipeline that moves beyond correlation-based classification toward more interpretable causal reasoning for maneuver prediction.
• Abstract（参考訳）: レーン変更予測は知的車両において中心的な課題であり、早期の操作予測はより安全な意思決定を支援することができる。 しかし、既存の多くのアプローチは、主に観測された駆動変数と将来の操作の統計的関連を学習し、入力変数自体の因果依存性を見落としている。 この制限は、特に長手間隔、相対長手速度、TTC(Time-To-Collision)といった物理的に関連する変数を独立したフラット入力として扱う場合に、解釈可能性を制限する。 本稿では,車線変化予測と説明のための因果推論に基づくフレームワークを提案する。 提案手法は,言語的特徴構築,専門家による因果探索,Deep End-to-end Causal Inference (DECI)による深い構造因果モデリング,介入に基づく効果分析,難燃試験,帰納的因果連鎖説明を組み合わせた。 目的は、将来の行動を予測するだけでなく、予測に直接寄与する候補変数、それらに影響を与える上流要因、そしてこれらの効果が伝播する因果連鎖を特定することである。 このフレームワークは、レーン標識交叉イベントの最初の3秒間、95%以上のF1スコアを達成する。 このフレームワークは、予測精度の他に、介入に基づく効果分析を用いて、学習因果構造の下での弱い影響変数と影響変数を区別する。 さらに、候補の直接的なコントリビュータと媒介効果を区別し、予測された操作が好まれる理由と、代替操作がサポートされない理由を明確にする対照的な因果連鎖の説明を生成する。 したがって、主な貢献は、相関に基づく分類を超えて、より解釈可能な因果推論へ移行したメカニズム対応車線変化予測パイプラインである。

関連論文リスト

• A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
  シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:57:01Z)
• CAIFormer: A Causal Informed Transformer for Multivariate Time Series Forecasting [13.597882980144735]
  本稿では,各対象変数を別々に予測する全対一予測パラダイムを提案する。 この予測は、最初の3つの因果関係のサブセグメントにのみ依存する。 複数のベンチマークデータセットの実験では、CAIFormerの有効性が示されている。
  論文  参考訳（メタデータ） (2025-05-22T07:04:21Z)
• Causal Inference Isn't Special: Why It's Just Another Prediction Problem [1.90365714903665]
  因果推論は予測モデリングとは異なるものとして描かれることが多い。 しかし、中核では、因果推論は単に分布シフトの下での予測の構造化例である。 この観点は因果推定をよく知られた一般化問題として再定義する。
  論文  参考訳（メタデータ） (2025-04-06T01:37:50Z)
• Causal vs. Anticausal merging of predictors [57.26526031579287]
  同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。 帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
  論文  参考訳（メタデータ） (2025-01-14T20:38:15Z)
• Influence of Backdoor Paths on Causal Link Prediction [0.0]
  CausalLPBackは、バックドアパスを排除し、知識グラフリンク予測手法を使用する因果リンク予測の新しいアプローチである。 この評価には、因果リンク予測に関連するマルコフに基づく分割と呼ばれるユニークなデータセット分割方法が含まれる。
  論文  参考訳（メタデータ） (2024-09-12T22:16:36Z)
• What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
  軌道予測は自律運転システムの性能において重要な役割を果たす。 固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
  論文  参考訳（メタデータ） (2023-06-27T01:29:20Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。