論文の概要: Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models
- arxiv url: http://arxiv.org/abs/2607.06328v1
- Date: Tue, 07 Jul 2026 14:25:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.552421
- Title: Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models
- Title（参考訳）: 間違った道を運転する:End2End自律運転モデルにおける解釈可能性の活用
- Abstract要約: 我々は、教師なし辞書学習を、最先端駆動モデルにおけるポストホック解釈可能性モジュールとして統合する。
本稿では,エンド・ツー・エンド・モデルから意味ある概念を抽出・解釈するための段階的枠組みを提案する。
本稿では,モデル不透明度を効果的に低減し,誤動作を解明し,ターゲットの緩和を可能にする方法を示す。
- 参考スコア（独自算出の注目度）: 0.26737324964902526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing adoption of end-to-end learning for autonomous driving introduces increased model complexity and opacity, raising the risk of learning undesired or erroneous behavior. In this work, we integrate unsupervised dictionary learning as a post hoc interpretability module within state-of-the-art driving models to decompose driving behavior into semantically meaningful concepts while demonstrating their causal influence on the model's driving decisions. We propose a stepwise framework for extracting and interpreting meaningful concepts from the end-to-end model and connecting them to the multifaceted model outputs, thereby revealing the underlying decision-making logic for the prediction of future trajectories. Furthermore, targeted interventions at the concept level allow us to manipulate and correct driving decisions, resulting in measurable improvements in overall driving performance. We thus demonstrate how interpretability can effectively be used to reduce model opacity, uncover erroneous behavior, and enable targeted mitigation, ultimately boosting model performance.
- Abstract（参考訳）: 自動運転におけるエンドツーエンド学習の採用の増加は、モデルの複雑さと不透明度を高め、望ましくない、あるいは誤った振る舞いを学ぶリスクを高める。
本研究では、教師なし辞書学習を最先端駆動モデルにポストホック解釈可能性モジュールとして統合し、駆動動作を意味論的に意味のある概念に分解し、モデルの駆動決定に対する因果的影響を実証する。
本稿では,エンド・ツー・エンドモデルから意味ある概念を抽出・解釈し,それらを多面モデル出力に接続する段階的フレームワークを提案する。
さらに,概念レベルでの介入により,運転決定の操作と修正が可能となり,運転性能の全体的な改善が図られた。
そこで本研究では、モデル不透明度を効果的に低減し、誤動作を明らかにし、ターゲットの緩和を可能とし、最終的にモデル性能を向上する方法について述べる。
関連論文リスト
- Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving [79.71689985927625]
自律運転のための適応型マルチモーダルリフレクションフレームワークであるIRR-Driveを提案する。
IRR-Driveは明らかにシーンの進化を予測し、モデルは厳密な自己修正と初期意図の洗練を可能にした。
提案手法はPDMSとNAVSIMSのベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-06-22T06:53:58Z) - UniDriveVLA: Unifying Understanding, Perception, and Action Planning for Autonomous Driving [48.461267171124945]
自動運転のためのUnified Driving Vision-Language-ActionモデルであるUniDriveVLAを提案する。
理解、シーン認識、行動計画の3つの専門家で構成されており、マスク付き共同注意を通して調整されている。
nuScenesのオープンループ評価とBench2Driveのクローズループ評価における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-02T15:48:45Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - Interpretable Decision-Making for End-to-End Autonomous Driving [27.802136451358425]
本稿では,自律運転における制御コマンドを最適化しながら,解釈可能性を高める手法を提案する。
本稿では,スパース・ローカライズされた特徴写像を生成することで,モデルの解釈可能性を促進する損失関数を提案する。
また,本手法は,屈折率の低減と相関し,より安全かつ高性能な駆動モデルを実現することによる解釈可能性の向上を実証する。
論文 参考訳（メタデータ） (2025-08-26T10:14:16Z) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Application of Vision-Language Model to Pedestrians Behavior and Scene Understanding in Autonomous Driving [5.456780031044544]
本稿では,大規模視覚言語基礎モデルから効率的な視覚ネットワークへ知識を伝達する知識蒸留法を提案する。
歩行者行動予測やシーン理解タスクに適用し,より多様で包括的なセマンティック属性を生成する上で,有望な結果を達成する。
論文 参考訳（メタデータ） (2025-01-12T01:31:07Z) - Learning Multiple Probabilistic Decisions from Latent World Model in Autonomous Driving [40.4491758280365]
自己回帰世界モデルは、堅牢な一般化能力を示すが、不確実性モデリングや自己導出が不十分なため、行動の導出に困難に直面する。
本研究では,環境の次状態とエゴ車両の動作を混合分布としてモデル化するフレームワークであるLatentDriverを提案する。
LatentDriverは最先端の強化学習と模倣学習を超越し、エキスパートレベルのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-09-24T04:26:24Z) - DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Distribution-aware Goal Prediction and Conformant Model-based Planning
for Safe Autonomous Driving [16.654299927694716]
本研究では,学習から学習までのタスクを,障害物認識と接地,分布認識の目標予測,モデルベース計画として再構築する。
CARLAシミュレータでは,CARNOVELベンチマークの最先端結果を報告する。
論文 参考訳（メタデータ） (2022-12-16T21:51:51Z) - Reason induced visual attention for explainable autonomous driving [2.090380922731455]
ディープラーニング (DL) ベースのコンピュータビジョン (CV) モデルは一般的に、解釈性が悪いため、ブラックボックスと見なされる。
本研究の目的は,自律運転におけるDLモデルの解釈可能性を高めることにある。
提案手法は,視覚入力(画像)と自然言語を協調的にモデル化することにより,人間の運転者の学習過程を模倣する。
論文 参考訳（メタデータ） (2021-10-11T18:50:41Z)
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。