Simulation-Based Counterfactual Causal Discovery on Real World Driver Behaviour

要約

自分の行動が他の人の行動にどのような影響を与えるかを推論できることは、インテリジェントな運転エージェントに必要な中心的なスキルです。
それにもかかわらず、最先端技術は、エージェントが自分自身と他者との間の因果関係を発見するというニーズを満たすのに苦労しています。
観察的アプローチは、動的環境における因果関係の非定常性と、因果関係の相互作用の希薄さのため、オンライン方式で機能するアプローチを必要とするため、困難を抱えています。
一方、車両は公道でその動作を実験できないため、介入的アプローチは非現実的です。
非定常性の問題に対処するために、抽出されたイベントの観点から問題を再定式化しますが、前述の介入に対する制限は、反事実シミュレーションを使用することで克服できます。
提案された反事実因果発見方法の 3 つの変形を提示し、現実世界の運転データセットから抽出された 3396 の因果シーンにわたる最先端の観察的時間因果発見方法に対してこれらを評価します。
提案された方法は、提案されたタスクに関して定量的に最先端技術を大幅に上回っており、観察的アプローチと介入的アプローチでは不可能な方法で、代替の一連の決定の結果を比較することによって追加の洞察を提供できることがわかりました。

要約(オリジナル)

Being able to reason about how one’s behaviour can affect the behaviour of others is a core skill required of intelligent driving agents. Despite this, the state of the art struggles to meet the need of agents to discover causal links between themselves and others. Observational approaches struggle because of the non-stationarity of causal links in dynamic environments, and the sparsity of causal interactions while requiring the approaches to work in an online fashion. Meanwhile interventional approaches are impractical as a vehicle cannot experiment with its actions on a public road. To counter the issue of non-stationarity we reformulate the problem in terms of extracted events, while the previously mentioned restriction upon interventions can be overcome with the use of counterfactual simulation. We present three variants of the proposed counterfactual causal discovery method and evaluate these against state of the art observational temporal causal discovery methods across 3396 causal scenes extracted from a real world driving dataset. We find that the proposed method significantly outperforms the state of the art on the proposed task quantitatively and can offer additional insights by comparing the outcome of an alternate series of decisions in a way that observational and interventional approaches cannot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google