PulseAugur
中
实时 13:29:23
English(EN) Explainable deep learning improves human mental models of self-driving cars

可解释的人工智能改善了自动驾驶汽车的驾驶员预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为概念包装器网络（CW-Net）的新方法，以使自动驾驶汽车的决策过程更易于理解。该技术将汽车的推理建立在人类可理解的概念之上，而不会损害其驾驶性能。当在真实的自动驾驶汽车上实施时，CW-Net 提高了驾驶员预测车辆行为的能力，尤其是在意外情况下，展示了增强自主代理的安全性和透明度的实用途径。 AI

影响 通过使人工智能行为更可预测来增强自动驾驶汽车的驾驶员信任和安全。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Eoin M. Kenny, Akshay Dharmavaram, Sang Uk Lee, Tung Phan-Minh, Shreyas Rajesh, Yunqing Hu, Laura Major, Momchil S. Tomov, Julie A. Shah ·

    Explainable deep learning improves human mental models of self-driving cars

    arXiv:2411.18714v3 Announce Type: replace-cross Abstract: Self-driving cars increasingly rely on deep neural networks to achieve human-like driving. The opacity of such black-box planners makes it challenging to accurately anticipate when they will fail, with potentially catastro…

相关话题