Emotion in an active inference model of human driving
Dieses Paper schlägt ein erweitertes Active-Inference-Framework für das menschliche Fahren vor, das kontinuierliche affektive Zustände (Valenz und Erregung) integriert, welche sowohl auf gegenwärtige als auch auf vorhergesagte zukünftige Ergebnisse konditioniert sind, und zeigt auf, dass die daraus resultierenden Emotionssignale mit den berichteten affektiven Mustern in interaktiven Fahrszenarien übereinstimmen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie fahren auf einer Autobahn, und plötzlich fährt das Auto vor Ihnen ohne Blinken in die Spur. Ihr Herz rast, Ihnen wird flau im Magen, und Sie verspüren vielleicht sogar einen Blitz der Wut. Aber haben Sie sich jemals gefragt, warum Ihr Gehirn so reagiert? Wissenschaftler, die untersuchen, wie Maschinen und Gehirne Entscheidungen treffen, haben eine Theorie namens „aktive Inferenz“. Stellen Sie sich das wie einen superintelligenten Detektiv in Ihrem Kopf vor, der ständig errät, was als Nächstes passieren wird. Er versucht, die Zukunft vorherzusagen, um Überraschungen zu vermeiden. Wenn die Welt mit seinen Vorhersagen übereinstimmt, fühlt er sich ruhig. Wenn die Welt einen unvorhersehbaren Wurf spielt, wird der Detektiv verwirrt und versucht herauszufinden, was eigentlich vor sich geht. Lange Zeit waren diese Detektiv-Modelle gut darin zu erklären, wie wir lenken oder bremsen, aber ihnen fehlte ein entscheidendes Puzzleteil: Gefühle. Sie wussten nicht, wie man „Wut“ oder „Erleichterung“ berechnet. Das ist wichtig, denn wenn wir selbstfahrende Autos bauen wollen, die sicher mit Menschen die Straße teilen können, müssen diese Autos nicht nur die Physik eines Aufpralls verstehen, sondern auch die emotionale Achterbahnfahrt, die ihm vorausgeht.
In dieser Arbeit beschlossen Forscher, ihrem Fahr-Detektiv beizubringen, zu fühlen. Sie nahmen ein bestehendes Modell, das bereits wusste, wie man ein Auto mittels aktiver Inferenz steuert, und gaben ihm eine neue „emotionale Brille“. Diese Brille ließ das Modell die Welt durch zwei spezifische Linsen sehen: Valenz (wie gut oder schlecht sich eine Situation anfühlt) und Arousal (wie wachsam oder panisch es sich fühlt). Anstatt nur auf das Auto direkt vor sich zu schauen, begann das Modell, in die nächsten Sekunden vorauszuschauen und vorherzusagen, was passieren könnte. Sie testeten diesen neuen, emotionalen Fahrer in zwei kniffligen Situationen: einer, in der ein Auto auf der gegenüberliegenden Straßenseite plötzlich vor ihren Weg schnitt, und einer anderen, in der ein Auto an einer Kreuzung ein „Vorfahrt gewähren“-Schild ignorierte.
Die Ergebnisse waren überraschend menschenähnlich. Wenn der andere Fahrer die Regeln befolgte, blieb das Modell ruhig und entspannt, wobei sein „Arousal“-Level niedrig blieb. Aber wenn der andere Fahrer gegen die Regeln verstieß – etwa durch ein plötzliches Einscheren in die Spur oder das Ignorieren eines Stoppschilds – schossen die Emotionen des Modells in die Höhe. Sein „Arousal“ stieg an, was das Gefühl von erhöhter Wachsamkeit simulierte, und seine „Valenz“ wurde negativ, was das Gefühl von Wut oder Frustration nachahmte. Das Modell reagierte nicht nur auf die unmittelbare Gefahr; es reagierte auf die Überraschung über das Fehlverhalten. Beispielsweise, im Szenario an der Kreuzung, als das andere Auto trotz der Regeln weiterfuhr, wuchs die „Wut“ des Modells an, bis es entschied, hart zu bremsen, um einen Crash zu vermeiden. Interessanterweise zeigte das Modell, dass, falls ein Crash unvermeidbar wurde, sein „Arousal“ tatsächlich sank, weil die Ungewissheit verschwunden war – es wusste genau, was passieren würde, selbst wenn es schlecht war. Dies deutet darauf hin, dass das Modell erfolgreich die Verbindung zwischen dem Verletzen von Verkehrsregeln und dem Empfinden von negativen Emotionen erfasst hat.
Die Forscher fanden heraus, dass sie diese emotionalen Signale erzeugen konnten, indem sie den Unterschied zwischen dem, was der Fahrer erwartete, und dem, was tatsächlich geschah (oder wahrscheinlich geschehen würde), betrachteten. Sie entdeckten, dass die „Wut“ des Modells direkt mit der Verletzung sozialer Normen durch den anderen Fahrer verknüpft war, genau wie ein echter menschlicher Fahrer sie empfinden würde. Die Autoren weisen jedoch vorsichtig darauf hin, dass dies alles in einer Computersimulation stattfindet. Sie haben es noch nicht an echten Menschen getestet, daher handelt es sich bei den Ergebnissen zwar um einen sehr vielversprechenden und der menschlichen Psychologie entsprechenden Ansatz, ist aber immer noch nur eine sehr ausgeklügelte mathematische Vermutung. Das Modell hat auch eine Schwachstelle: Es versteht noch nicht, wie Emotionen das Verhalten des Fahrers verändern könnten (wie zum Beispiel, wie Wut dazu führen könnte, dass ein Fahrer größere Risiken eingeht). Aber als erster Schritt legt diese Arbeit nahe, dass wir selbstfahrende Autos bauen können, die nicht nur Physik berechnen, sondern auch den emotionalen Einsatz auf der Straße verstehen, was sie potenziell zu besseren Partnern für menschliche Fahrer macht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.