在自动驾驶领域，端到端学习的日益普及带来了模型复杂性和不透明性的增加，从而提高了学习到不良或错误行为的风险。本文将无监督字典学习作为后处理可解释性模块集成到最先进的驾驶模型中，旨在将驾驶行为分解为语义上有意义的概念，并展示这些概念对模型驾驶决策的因果影响。
我们提出了一种逐步框架，从端到端模型中提取和解释有意义的概念，并将其与多维模型输出连接，揭示预测未来轨迹的决策逻辑。此外，在概念层面进行的有针对性干预使我们能够操控和修正驾驶决策，从而在整体驾驶性能上实现可测量的改善。
通过此方式，我们展示了可解释性如何有效减少模型的不透明性，揭示错误行为，并实现针对性的缓解，最终提升模型性能。
博主点评： 这项研究通过将无监督学习与端到端自动驾驶模型结合，提供了一种新颖的可解释性方法，能够有效解析模型决策背后的逻辑。这不仅有助于提升模型的透明度，也为未来的自动驾驶系统提供了更强的安全保障。