Forschende von MIT und Motional haben nach Angaben von MIT News ein Modul entwickelt, das Entscheidungen von auf maschinellem Lernen basierenden Fahrplanern autonomer Fahrzeuge mit verständlichen Begriffen erklären soll. In Fahrtests auf einer privaten Strecke mit Sicherheitsfahrern sowie in einer größeren Online-Simulationsstudie mit Laien halfen die Erklärungen laut Bericht dabei, das Verhalten des Fahrzeugs genauer vorherzusagen.
Was CW-Net erklären soll
Das als Concept-Wrapper Network (CW-Net) bezeichnete Modul soll den Entscheidungsprozess eines Fahrplaners in Konzepte übertragen, die Menschen nachvollziehen können. Als Beispiele nennt der Bericht „approaching stopped vehicle“ und „close to cyclist“ – also etwa die Annäherung an ein stehendes Fahrzeug oder geringe Nähe zu einem Radfahrer.
Nach Darstellung von MIT News soll CW-Net diese Erklärungen liefern, ohne die Fahrleistung des zugrunde liegenden Systems zu verändern. Der Anspruch ist damit nicht, einen neuen Fahrplaner zu schaffen, sondern dessen Entscheidungen interpretierbar zu machen.
Tests mit Sicherheitsfahrern und Laien
In Straßentests auf einer privaten Teststrecke halfen CW-Net-Erklärungen Sicherheitsfahrern laut Artikel, das Verhalten des Fahrzeugs genauer vorherzusagen. Eine größere Simulationsstudie mit nicht fachkundigen Nutzern habe ein ähnliches Ergebnis erbracht.
Die berichtete Messgröße betrifft damit die Vorhersagbarkeit des Fahrzeugverhaltens durch Menschen. Aus den vorliegenden Angaben geht nicht hervor, wie viele Personen teilnahmen, wie groß der Effekt war oder welche konkreten Fahrsituationen getestet wurden.
Training und Bedeutung
Die Forschenden trainierten CW-Net laut MIT News darauf, Konzepte anhand eines Datensatzes mit 130 Millionen Beispielen aus Szenen selbstfahrender Autos vorherzusagen.
Nach Einschätzung auf Basis der berichteten Ergebnisse könnte eine Erklärung, die mit der tatsächlichen Entscheidung eines Fahrplaners übereinstimmt, Sicherheitsfahrern oder anderen Aufsichtspersonen helfen, Fahrzeugreaktionen besser einzuordnen. Die Tests belegen jedoch nach den verfügbaren Informationen weder eine Verbesserung der Fahrsicherheit noch die Leistungsfähigkeit in öffentlichen Straßenverkehrssituationen.
Wie es weitergeht
Entscheidend wären detaillierte Studienergebnisse, unabhängige Überprüfungen und Tests in breiteren, realitätsnahen Fahrszenarien. Ebenso offen ist, ob das Modul außerhalb der beschriebenen Testumgebungen zuverlässig verständliche und entscheidungstreue Erklärungen liefert.
Änderungsvermerk: Erstfassung auf Grundlage eines MIT-News-Berichts. Die Ergebnisse werden als berichtete Testresultate eingeordnet; nicht belegte Aussagen zu Sicherheit, Einsatzreife oder Effektgröße wurden vermieden.