NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving
Das Papier stellt NARRATE vor, einen multimodalen, realen australischen Fahrdatensatz mit 2.050 Ereignissen, die mit synchronisierten Sensordaten und fahrergenerierten Erklärungen annotiert sind, um menschenzentrierte, domänenspezifische Modelle für das automatisierte Fahren voranzutreiben.
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 sitzen auf dem Rücksitz eines Autos, das von selbst fährt. Das Fahrzeug wird langsamer, biegt ab oder hält an, und Sie fragen sich, warum. Damit die Technologie sicher und vertrauenswürdig wirkt, muss sie in der Lage sein, Ihnen zu sagen, was sie sieht und warum sie eine Bewegung ausführt, und zwar mit Worten, die ein menschlicher Fahrgast tatsächlich verstehen kann. Dieses Bedürfnis nach klarer Kommunikation ist das Herzstück eines neuen Forschungsfeldes, das sich darauf konzentriert, die künstliche Intelligenz in Autos erklärbar zu machen. Wissenschaftler versuchen, Maschinen nicht nur das Fahren beizubringen, sondern auch, ihre Entscheidungen so zu kommentieren, dass sie der Art und Weise entsprechen, wie menschliche Fahrer denken. Die Herausforderung liegt darin, die Lücke zwischen dem, was ein Computer berechnet, und dem, was ein Mensch auf der Straße tatsächlich bemerkt und antizipiert, zu verstehen. Um diese Lücke zu schließen, müssen Forscher zuerst verstehen, wie echte Menschen ihre eigenen Fahrentscheidungen inmitten des echten Verkehrs erklären.
Ein Forschungsteam in Australien hat einen bedeutenden Schritt zur Lösung dieses Rätsels unternommen, indem es eine neue Sammlung von realen Fahrdaten namens NARRATE erstellt hat. Anstatt sich auf Computersimulationen zu verlassen oder Menschen zu fragen, was sie in einer virtuellen Welt tun würden, zeichnete das Team fünfunddreißig erfahrene Fahrer und Fahrlehrer auf, während sie normale Routen durch die Straßen von Brisbane fuhren. Die Fahrer waren in einem Fahrzeug ausgestattet, das mit Kameras, Lasern und Sensoren gefüllt war, um jedes Detail der Straße, der Bewegung des Autos und der Umgebung zu erfassen. Während sie fuhren, baten die Forscher sie, ihre Handlungen in Echtzeit zu erklären, und dies noch einmal nach der Fahrt, während sie eine Videowiedergabe dessen ansehen, was gerade passiert war. Dieser duale Ansatz erfasste sowohl die schnellen, instinktiven Gedanken, die Fahrer während der Fahrt haben, als auch die detaillierteren Reflexionen, die sie anbieten, sobald der Druck des Augenblicks nachgelassen hat.
Der resultierende Datensatz enthält zweitausendundfünfzig spezifische Fahrereignisse, die jeweils mit den eigenen Worten des Fahrers gepaart sind, die erklären, was er gesehen hat, was er über die Situation verstanden hat und was er als Nächstes erwartet hat. Die Forscher organisierten diese Erklärungen mithilfe eines Rahmens, der das menschliche Bewusstsein in drei Teile zerlegt: das Wahrnehmen eines Details, das Verständnis darüber, was dieses Detail für die aktuelle Fahrt bedeutet, und das Projektieren dessen, was in der Zukunft passieren könnte. Ein Fahrer könnte beispielsweise bemerken, dass eine Ampel gelb wird, verstehen, dass er langsamer werden muss, und antizipieren, dass ein Auto hinter ihm nicht rechtzeitig stoppen wird. Durch das Markieren der gesprochenen Worte der Fahrer mit diesen Ebenen des Bewusstseins erstellte das Team eine reiche Karte davon, wie das menschliche Denken mit der physischen Welt verbunden ist.
Als die Forscher testeten, ob Computermodelle aus diesen Daten lernen konnten, fanden sie heraus, dass Maschinen recht gut darin waren, die grundlegende Struktur des menschlichen Bewusstseins zu identifizieren. Wenn ein Modell eine Erklärung eines Fahrers las, konnte es zuverlässig feststellen, ob der Fahrer lediglich etwas bemerkte, die Bedeutung dessen verstand oder ein zukünftiges Risiko antizipierte. Die Studie zeigte jedoch auch, dass die Aufgabe schwieriger wird, wenn es um die feineren Details geht. Während Computer problemlos breite Kategorien wie „einem Auto folgen“ oder „an einer Ampel halten“ erkennen konnten, hatten sie Schwierigkeiten, allein auf Basis von Text zwischen zweiunddreißig spezifischen Arten von Fahrsituationen zu unterscheiden. Ähnlich verhielt es sich, als man die Modelle bat, neue Erklärungen von Grund auf zu generieren: Die Computermodelle produzierten Texte, die grammatikalisch korrekt waren, aber oft der spezifischen, kontextreichen Nuancierung entbehrten, die menschliche Fahrer ganz natürlich bieten.
Die Ergebnisse legen nahe, dass künstliche Intelligenz zwar das Skelett des menschlichen Denkens erlernen kann, ihr aber noch immer das tiefe, intuitive Verständnis von Kontext fehlt, das aus jahrelanger Fahrerfahrung resultiert. Der Datensatz zeigt, dass menschliche Erklärungen nicht nur Beschreibungen von Handlungen sind; sie sind verwoben mit Beobachtungen der Umgebung, Interpretationen anderer Verkehrsteilnehmer und Vorhersagen zukünftiger Ereignisse. Die Forscher kamen zu dem Schluss, dass automatisierte Fahrzeuge, um wirklich mit ihren Passagieren zu kommunizieren, über einfache Sensordaten hinausgehen und lernen müssen, auf eine Weise zu schlussfolgern, die dem menschlichen Geist spiegelt. Dieser neue Datensatz bietet eine entscheidende Grundlage für diese Arbeit, indem er einen seltenen Einblick in die realen Gedanken und Worte der Fahrer gewährt, die die Straßen am besten kennen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.