還在玩ChatGPT？已經(jīng)有自動駕駛算法能告訴你“我在干嘛”。

基于視覺和神經(jīng)網(wǎng)絡的自動駕駛算法，雖然能通過傳感器數(shù)據(jù)，以及學習人類的駕駛行為，自主決策并控制車輛。

但是，算法基于什么做出的決策？特別是出現(xiàn)故障，也就是決策錯誤的時候，算法是怎么想的？這些一直被稱為自動駕駛算法里的“黑匣子”，讓算法缺乏透明度和可解釋性。

(資料圖)

不過，現(xiàn)在有這么一個模型，既能預測車輛控制行為，還能自己解釋“我停車是因為紅燈亮了，并且有行人在過馬路”。

模型論文入選ICRA 2023，相關(guān)模型已開源。

那么，是一個什么樣的算法？

ADAPT：駕駛行為感知說明大模型

這是一種叫ADAPT（Action-aware Driving Caption Transformer）的端到端算法，也是目前第一個基于Transformer的駕駛行為描述框架，可以感知和預測駕駛行為，并且輸出自然語言敘述和推理。

直白一點說，輸入車輛視頻后，這個算法可以判斷車輛行為并告訴你：車在做什么，為什么要這么做。

在論文作者提供的測試視頻里，這個算法最終上車的效果是這樣的。（紅色字是車輛行為，藍色字是解釋）

“車在向前開。因為路上沒有車?！?/p>

駕駛行為變化后，算法也能及時感知：

“車靠左邊停下了。因為要停車。”

“車開始移動并且靠右行駛。因為路左邊停著車?！?/p>

算法不僅能識別路口，也能識別騎著車的人。

“車在十字路口停下了。因為要避開街上騎著自行車的人，”

這是怎么實現(xiàn)的？

多任務框架下的聯(lián)合訓練

ADAPT框架可以分為兩個部分：車輛行為描述（DCG，Driving Caption Generation）和車輛控制信號預測（CSP，Control Signal Prediction）。

首先，傳感器端輸入視頻，Video Swin Transformer對車輛視頻進行編碼，得到的視頻特征會輸入進各任務模塊里。

在DCG模塊，算法利用Vision-Language Transformer生成兩個自然語句，也就是上文中提到的車輛行為描述和原因解釋。

相同的視頻特征也會輸入進CSP模塊（類似一般基于視覺的自動駕駛系統(tǒng)），輸出車輛實際的控制信號序列，并利用Motion Transformer輸出模型預測的控制信號，比如速度、方向和加速度。

在單個網(wǎng)絡中，作者利用車輛實際的控制信號序列和模型預測的控制信號序列，兩者的均方誤差作為CSP模塊的損失函數(shù)。

而在多任務框架下，通過聯(lián)合訓練DCG和CSP，可以減少車輛決策和文本描述之間的差異，提高控制信號預測的準確率。

論文里，作者們在包含控制信號和車輛視頻的大規(guī)模數(shù)據(jù)集BDD-X上，利用機器評測和人工評測驗證了ADAPT的有效性。

機器評測方面，使用的是BLEU4、METEOR、ROUGE-L和CIDEr（對應縮寫分別為B4、M、R、C）等多種語言任務常用的指標。

最終顯示ADAPT達到了當前最優(yōu)（State-of-the-Art）的結(jié)果，ADAPT在動作描述方面比原有先進方法CIDEr高出31.7，在原因解釋方面高33.1。

人工評測分為動作描述、原因解釋和全句三個部分。通過人工判斷，ADAPT在這三部分的準確性分別達到了90%，90.3%和82.7%，證明了ADAPT的有效性。

在可視化結(jié)果里，也能看出ADAPT可以準確識別車輛行為以及決策原因。并且在黑夜、陰雨天等場景下，ADAPT也能保證準確度；即使有雨刷器干擾，ADAPT也可以識別道路上的停止標識。

為什么需要ADAPT？

自動駕駛行為的可解釋性

在基于視覺的自動駕駛算法里，比較常見的解釋圖有視覺注意圖（Attention Map），或者成本量圖（Cost Volume），但不熟悉自動駕駛算法的人容易對這些圖造成誤解。

上：視覺注意圖；下：成本量圖

因此，ADAPT這種能夠生成自然語言、“說人話”的算法，能夠幫助用戶更好地理解自動駕駛算法在做什么、為什么要這么做，同時還能讓用戶更信任自動駕駛技術(shù)。

而對于算法工程師和研究人員來說，當發(fā)生極端情況時、或者發(fā)生故障（比如判斷錯誤）時，ADAPT可以幫助他們獲得更多信息，進而改進算法。

作者們將進一步研究如何在模擬器和實際車輛上如何部署ADAPT，以及如何利用文本轉(zhuǎn)語音技術(shù)，讓生成的句子轉(zhuǎn)化為語音，幫助普通乘客，特別是視力障礙乘客使用。

本文作者來自中國科學院自動化研究所、清華大學人工智能產(chǎn)業(yè)研究院（AIR）、北京大學、英特爾中國研究院、西安電子科技大學、南方科技大學和北京航空航天大學。

論文一作晉步和三作鄭宇鵬是來自中國科學院自動化研究所的研究生，晉步主要研究方向為多模態(tài)學習、視覺語言模型等。

通訊作者為劉新宇，清華大學自動化系學士和碩士，長期從事軟件研發(fā)工作，著有《算法新解》。

作者之一李鵬飛是AIR在讀博士生，本科畢業(yè)于中國科學院大學，主要研究智慧交通、機器人、計算機視覺等方向。

另一位作者趙昊是AIR助理教授，本博畢業(yè)于清華大學電子工程系，曾任英特爾中國研究院研究員和北京大學聯(lián)合博士后，研究方向為幾何與認知層面的場景理解及其在機器人中的應用。

另外，本文的模型已經(jīng)開源，感興趣的可以去試試看～

論文地址

https://arxiv.org/abs/2302.00673

代碼地址

https://github.com/jxbbb/ADAPT

關(guān)鍵詞：