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

Sintesi Tecnica: Dalla Correlazione alla Causalità nella Predizione del Cambio di Corsia per la Guida Automatizzata

Problema
La predizione del cambio di corsia è un compito critico per la guida automatizzata, poiché consente processi decisionali più sicuri e fluidi anticipando le manovre dei veicoli circostanti. Sebbene gli approcci esistenti che utilizzano il machine learning e il deep learning abbiano raggiunto un'elevata precisione, essi si affidano prevalentemente a correlazioni statistiche tra le variabili di input (ad es., velocità, distanza, Time-To-Collision) e le classi di manovra. Un limite significativo di questi modelli basati sulla correlazione è l'incapacità di modellare esplicitamente le dipendenze fisiche e causali tra le variabili di input stesse. Nella guida del mondo reale, variabili come la distanza longitudinale, la velocità relativa e il Time-To-Collision (TTC) non sono indipendenti; sono legate fisicamente (ad es., il TTC è derivato dalla distanza e dalla velocità relativa). Di conseguenza, i modelli standard possono predire correttamente le manovre, ma falliscono nel distinguere se una variabile sia un contributore diretto, una causa a monte, un mediatore o semplicemente una caratteristica correlata. Questa mancanza di struttura causale limita l'interpretabilità e impedisce al sistema di comprendere perché una specifica manovra sia favorita rispetto alle alternative.

Metodologia
Gli autori propongono un framework basato sull'inferenza causale che va oltre la classificazione piatta verso un ragionamento consapevole dei meccanismi. La metodologia consiste in quattro fasi primarie:

1. Costruzione di Caratteristiche Linguistiche: I dati numerici di guida dal dataset highD (traiettorie autostradali tedesche) vengono convertiti in categorie linguistiche interpretabili (ad es., "critico", "sicuro", "veloce", "lento") tramite discretizzazione basata su soglie. Questo trasforma le variabili continue in 47 caratteristiche categoriche che coprono cinematica, contesto della corsia, occupazione dei veicoli circostanti, misure di interazione e densità del traffico.
2. Scoperta Causale Vincolata da Esperti: Viene costruita una matrice di vincoli utilizzando la conoscenza esperta della guida e la revisione assistita da LLM (tramite PyWhy-LLM) per definire lo spazio di ricerca delle direzioni causali. Questa matrice blocca le relazioni causali fisicamente implausibili (ad es., impedendo che la manovra futura causi la densità del traffico attuale o il TTC) pur lasciando disponibili le direzioni plausibili per l'apprendimento basato sui dati.
3. Modellazione Causale Strutturale Profonda (SCM): Il framework impiega la Deep End-to-end Causal Inference (DECI) per apprendere un Modello Causale Strutturale (SCM) rappresentato come un Grafo Aciclico Diretto (DAG) dai dati osservazionali sotto i vincoli degli esperti. DECI apprende congiuntamente la struttura del grafo causale e i meccanismi strutturali (funzioni non lineari) che collegano le variabili, incorporando termini di rumore per gestire l'incertezza nei dati categorici.
4. Analisi Causale e Spiegazione:
   • Analisi dell'Effetto Basata su Intervento: Utilizzando il do-calculus, il framework stima l'Average Treatment Effect (ATE) del cambiamento di stati specifici delle caratteristiche (ad es., cambiare il TTC da "sicuro" a "critico") sulle probabilità di manovra. Ciò distingue le variabili influenti da quelle debolmente influenti.
   • Test di Confutazione: La libreria DoWhy viene utilizzata per validare la robustezza degli effetti stimati attraverso trattamenti placebo, cause comuni casuali e test su sottoinsiemi di dati.
   • Spiegazione Contrastiva della Catena Causale: L'SCM appreso viene tracciato ricorsivamente per generare spiegazioni. Il sistema identifica i contributori diretti alla manovra predetta, traccia le cause a monte e i mediatori, e spiega perché le manovre alternative siano meno supportate identificando gli stati osservati che ne riducono la probabilità.

Contributi Chiave

• Pipeline di Predizione Consapevole dei Meccanismi: Il documento introduce un framework che integra la scoperta causale vincolata dagli esperti con il deep learning per modellare la predizione del cambio di corsia come una catena causale piuttosto che come un compito di classificazione piatta.
• Apprendimento Vincolato da Esperti: Propone un metodo per incorporare la conoscenza del dominio tramite una matrice di vincoli che impedisce l'apprendimento di direzioni causali fisicamente impossibili senza forzare un grafo completamente manuale, permettendo al modello di rimanere adattivo ai dati.
• Analisi dell'Intervento e della Robustezza: L'approccio utilizza l'analisi dell'intervento per quantificare l'influenza delle caratteristiche e impiega test di confutazione per garantire la stabilità di queste stime causali, andando oltre i semplici punteggi di importanza delle caratteristiche.
• Spiegazioni Contrastive: Il framework genera spiegazioni della catena causale ricorsiva che chiariscono non solo perché una manovra è predetta, ma anche perché le manovre alternative sono soppresse, distinguendo tra contributori diretti, mediatori e confonditori.

Risultati

• Performance di Predizione: L'SCM basato su DECI raggiunge macro F1-score superiori al 95% (specificamente 96,3%, 96,0% e 95,4%) nei tre secondi immediatamente precedenti l'evento di attraversamento della linea di corsia. Mantiene la capacità predittiva (F1 > 59%) fino a 7–8 secondi prima dell'evento, dimostrando un'efficace anticipazione precoce.
• Validità della Struttura Causale: Il grafo appreso rispetta i vincoli temporali e fisici (ad es., i nodi della manovra non hanno archi in uscita). Identifica correttamente che le variabili contestuali (ad es., ora di punta) influenzano le manovre indirettamente attraverso mediatori come la densità del traffico e la distanza, mentre le variabili di interazione (ad es., velocità relativa, TTC) agiscono come contributori diretti.
• Analisi dell'Intervento: Le variabili di moto laterale (velocità, accelerazione) e le variabili di interazione (velocità relativa, TTC, distanza) hanno prodotto i più forti effetti di intervento sulle probabilità di manovra. Le variabili contestuali hanno mostrato effetti diretti minori, coerentemente con il loro ruolo di cause a monte.
• Robustezza: I test di confutazione (placebo, causa comune casuale, sottoinsieme di dati) hanno confermato che gli effetti di intervento stimati per le variabili chiave (ad es., velocità laterale, TTC) sono rimasti stabili e vicini allo zero per i trattamenti placebo, indicando che gli effetti non sono spuri.
• Validazione Diagnostica: Uno studio di ablazione ha mostrato che rimuovere le variabili stimate avere effetti di intervento deboli (velocità e accelerazione laterale in un contesto specifico di pre-moto laterale) ha comportato una degradazione trascurabile delle prestazioni di predizione, validando l'utilità dell'analisi dell'intervento per la selezione delle caratteristiche.

Significatività e Rivendicazioni
Gli autori sostengono che questo lavoro rappresenti un passo significativo verso sistemi di guida autonoma interpretabili, spostandosi dalla classificazione basata sulla correlazione al ragionamento causale. Il framework non pretende di scoprire la causalità definitiva del mondo reale, ma mira a fornire un "framework di predizione consapevole dei meccanismi" che possa distinguere tra contributori diretti, variabili mediatrici e cause a monte sotto una struttura causale appresa. La significatività risiede nella capacità di generare spiegazioni contrastive della catena causale che chiariscano la logica fisica dietro una predizione (ad es., spiegare un cambio di corsia a sinistra come risultato di un differenziale di velocità che porta a un TTC critico) e nell'identificare quali variabili siano veramente influenti rispetto a quelle che sono meramente correlate. Questo approccio aumenta la fiducia e la sicurezza garantendo che le predizioni siano fondate su una comprensione strutturata della dinamica di guida piuttosto che su coincidenze statistiche.