ICRA 2025 · CCF B · Core A*

DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving

中文项目页

论文 代码 数据集

作者： Songning Lai~, Tianlang Xue~, Hongru Xiao, Lijie Hu, Jiemin Wu, Ninghui Feng, Runwei Guan, Haicheng Liao, Zhenning Li, Yutao Yue†
单位： HKUST(GZ), Tongji University, KAUST, University of Macau

Teaser

DRIVE is all you need!

摘要

自动驾驶近期逐渐转向端到端学习范式，即从传感器输入直接映射到驾驶动作，以增强车辆鲁棒性和适应性。然而，这些模型通常牺牲可解释性，给信任、安全与合规带来挑战。为解决这些问题，我们提出 DRIVE：Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving，用于提升端到端无监督自动驾驶模型解释的可靠性和稳定性。

我们的工作针对 Driving through the Concept Gridlock (DCG) 模型中的固有不稳定问题，这些问题会削弱解释和决策过程的可信度。我们定义 DRIVE 的四个关键属性：consistent interpretability、stable interpretability、consistent output 与 stable output。这些属性共同保证解释在不同场景和扰动下仍保持可靠与鲁棒。通过大量实证评估，我们证明该框架能够增强解释的稳定性和可靠性。贡献包括：对 DCG 可靠性问题的深入分析、DRIVE 及其基本性质的严格定义、实现 DRIVE 的框架，以及用于评估概念式可解释自动驾驶模型可靠性的新指标。

动机

• 增强公众信任：可解释且稳定的解释帮助用户和监管机构信任自动驾驶系统。
• 处理黑盒问题：端到端模型往往缺乏透明度；DRIVE 让决策过程更透明且更鲁棒。
• 满足监管需求：安全与可解释标准越来越需要可靠且可审计的 AI。

贡献

• 深入分析 DCG 可靠性：识别并刻画概念式解释中的不稳定问题。
• 严格定义 DRIVE 及其性质：提出一致/稳定解释与输出四个关键属性及对应指标。
• 可靠性优化框架：给出实现一致、稳定解释与输出的训练策略。
• 新的评估指标：用于评估概念式可解释自动驾驶模型的可靠性。

框架

DRIVE 模型框架。

演示

代码、数据与仓库

安装、数据预处理、训练（DCG → DRIVE）和脚本示例见 仓库 README。

引用

@inproceedings{lai2025drive,
  title={DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving},
  author={Songning Lai and Tianlang Xue and Hongru Xiao and Lijie Hu and Jiemin Wu and Ninghui Feng and Runwei Guan and Haicheng Liao and Zhenning Li and Yutao Yue},
  booktitle={Proceedings of the IEEE International Conference on Robotics and Automation (ICRA)},
  year={2025},
  eprint={2409.10330},
  archivePrefix={arXiv},
  primaryClass={cs.RO},
  url={https://arxiv.org/abs/2409.10330},
}

← 返回首页