NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving
यह शोध पत्र NARRATE को प्रस्तुत करता है, जो एक मल्टीमॉडल वास्तविक दुनिया का ऑस्ट्रेलियाई ड्राइविंग डेटासेट है, जिसमें स्वचालित ड्राइविंग के लिए मानव-केंद्रित, डोमेन-जागरूक मॉडलों को उन्नत करने हेतु सिंक्रोनाइज़्ड सेंसर डेटा और ड्राइवर द्वारा दिए गए स्पष्टीकरणों के साथ एनोटेट की गई 2,050 घटनाएं शामिल हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक ऐसी कार की पिछली सीट पर बैठे हैं जो खुद चलती है। वाहन धीमा होता है, मुड़ता है, या रुक जाता है, और आप यह सोचकर हैरान रह जाते हैं कि ऐसा क्यों हुआ। तकनीक को सुरक्षित और भरोसेमंद महसूस करने के लिए, इसे आपको यह बताने में सक्षम होना चाहिए कि वह क्या देख रहा है और वह कोई कदम क्यों उठा रहा है, और इसके लिए ऐसे शब्दों का उपयोग करना चाहिए जिन्हें एक मानव यात्री वास्तव में समझ सके। स्पष्ट संचार की यह आवश्यकता ही शोध के एक नए क्षेत्र के केंद्र में है जो कारों में आर्टिफिशियल इंटेलिजेंस को समझाने योग्य (explainable) बनाने पर केंद्रित है। वैज्ञानिक मशीनों को न केवल गाड़ी चलाना सिखाने की कोशिश कर रहे हैं, बल्कि उन्हें अपने निर्णयों का वर्णन इस तरह से करने के लिए भी प्रशिक्षित कर रहे हैं जो मानव चालकों के सोचने के तरीके से मेल खाता हो। चुनौती कंप्यूटर द्वारा गणना किए जाने वाले डेटा और एक व्यक्ति द्वारा सड़क पर वास्तव में क्या नोटिस किया जाता है और क्या अनुमान लगाया जाता है, इसके बीच के अंतर को समझने में निहित है। इस अंतर को पाटने के लिए, शोधकर्ताओं को पहले यह समझना होगा कि वास्तविक मनुष्य वास्तविक ट्रैफ़िक के बीच अपने स्वयं के ड्राइविंग विकल्पों को कैसे समझाते हैं।
ऑस्ट्रेलिया में शोधकर्ताओं की एक टीम ने 'NARRATE' नामक वास्तविक दुनिया के ड्राइविंग डेटा का एक नया संग्रह बनाकर इस पहेली को सुलझाने की दिशा में एक महत्वपूर्ण कदम उठाया है। कंप्यूटर सिमुलेशन पर निर्भर रहने या लोगों से यह अनुमान लगाने के लिए कहने के बजाय कि वे आभासी दुनिया में क्या कर सकते हैं, टीम ने तीस-पाँच अनुभवी ड्राइवरों और ड्राइविंग प्रशिक्षकों को ब्रिस्बेन की सड़कों पर सामान्य मार्गों पर गाड़ी चलाते हुए रिकॉर्ड किया। ड्राइवरों को एक ऐसे वाहन से लैस किया गया था जिसमें कैमरे, लेजर और सेंसर लगे थे जिन्होंने सड़क के हर विवरण, कार की गति और आसपास के वातावरण को कैप्चर किया। जैसे ही वे गाड़ी चला रहे थे, शोधकर्ताओं ने उनसे उनके कार्यों को वास्तविक समय में समझाने के लिए कहा, और फिर यात्रा के बाद, उस वीडियो के रीप्ले को देखते हुए जो अभी हुआ था। इस दोहरे दृष्टिकोण ने उन त्वरित, सहज विचारों को भी कैप्चर किया जो ड्राइवरों के मन में स्टीयरिंग व्हील के पीछे होते हैं और उन अधिक विस्तृत प्रतिबिंबों को भी जो वे उस दबाव के गुजर जाने के बाद देते हैं जब क्षण की तीव्रता होती है।
परिणामस्वरूप प्राप्त डेटासेट में दो हजार पचास विशिष्ट ड्राइविंग घटनाएँ शामिल हैं, जिनमें से प्रत्येक को ड्राइवर के अपने शब्दों के साथ जोड़ा गया है जो यह बताता है कि उन्होंने क्या देखा, उन्होंने स्थिति के बारे में क्या समझा, और उन्हें आगे क्या होने की संभावना थी। शोधकर्ताओं ने इन स्पष्टीकरणों को एक ढांचे का उपयोग करके व्यवस्थित किया जो मानवीय जागरूकता को तीन भागों में विभाजित करता है: किसी विवरण को नोटिस करना, यह समझना कि उस विवरण का वर्तमान यात्रा के लिए क्या अर्थ है, और भविष्य में क्या हो सकता है इसका अनुमान लगाना। उदाहरण के लिए, एक ड्राइवर ट्रैफिक लाइट को पीला होते देख सकता है, समझ सकता है कि उन्हें धीमा होने की आवश्यकता है, और अनुमान लगा सकता है कि उनके पीछे वाली कार समय पर नहीं रुकेगी। ड्राइवरों के बोले गए शब्दों को जागरूकता की इन परतों के साथ टैग करके, टीम ने एक समृद्ध मानचित्र बनाया कि कैसे मानवीय तर्क भौतिक दुनिया से जुड़ता है।
जब शोधकर्ताओं ने परीक्षण किया कि क्या कंप्यूटर मॉडल इस डेटा से सीख सकते हैं, तो उन्होंने पाया कि मशीनें मानवीय जागरूकता की बुनियादी संरचना को पहचानने में काफी अच्छी थीं। यदि कोई मॉडल ड्राइवर के स्पष्टीकरण को पढ़ता है, तो वह विश्वसनीय रूप से बता सकता था कि ड्राइवर केवल कुछ नोटिस कर रहा था, उसका अर्थ समझ रहा था, या भविष्य के जोखिम का अनुमान लगा रहा था। हालांकि, अध्ययन ने यह भी खुलासा किया कि सूक्ष्म विवरणों के मामले में यह कार्य बहुत कठिन है। जबकि कंप्यूटर "एक कार का पीछा करना" या "लाइट पर रुकना" जैसी व्यापक श्रेणियों को आसानी से पहचान सकते थे, वे केवल टेक्स्ट के आधार पर तैंतीस विशिष्ट प्रकार की ड्राइविंग स्थितियों के बीच अंतर करने में संघर्ष करते थे। इसी तरह, शून्य से नए स्पष्टीकरण उत्पन्न करने के लिए पूछे जाने पर, कंप्यूटर मॉडल ऐसे टेक्स्ट का उत्पादन करते थे जो व्याकरण की दृष्टि से सही तो था लेकिन अक्सर उनमें उस विशिष्ट, संदर्भ-युक्त बारीकी का अभाव था जो मानव चालक स्वाभाविक रूप से प्रदान करते हैं।
निष्कर्ष बताते हैं कि हालांकि आर्टिफिशियल इंटेलिजेंस मानवीय तर्क के कंकाल को सीख सकता है, लेकिन इसमें अभी भी उस गहरे, सहज बोध का अभाव है जो ड्राइविंग के वर्षों के अनुभव से आता है। डेटासेट दिखाता है कि मानवीय स्पष्टीकरण केवल कार्यों का विवरण नहीं हैं; वे पर्यावरण के अवलोकन, अन्य सड़क उपयोगकर्ताओं की व्याख्याओं और भविष्य की घटनाओं की भविष्यवाणियों के साथ बुने हुए हैं। शोधकर्ताओं ने निष्कर्ष निकाला कि स्वायत्त वाहनों के लिए वास्तव में अपने यात्रियों के साथ संवाद करने के लिए, उन्हें सरल सेंसर डेटा से आगे बढ़ने और इस तरह से तर्क करने की आवश्यकता है जो मानव मस्तिष्क का दर्पण हो। यह नया डेटासेट उस कार्य के लिए एक महत्वपूर्ण आधार प्रदान करता है, जो ड्राइवरों के वास्तविक दुनिया के विचारों और शब्दों की एक दुर्लभ झलक पेश करता है जो सड़कों को सबसे अच्छी तरह जानते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।