Các nhà khoa học tiết lộ các chiến lược giúp xe tự lái thân thiện hơn với hành khách
của Viện Khoa học và Công nghệ Gwangju
Phương pháp tiếp cận tập dữ liệu TimelyTale mới kết hợp dữ liệu cảm biến về môi trường, liên quan đến lái xe và hành khách cụ thể có thể được sử dụng để cung cấp các giải thích kịp thời và theo ngữ cảnh. Tín dụng: SeungJun Kim từ Viện Khoa học và Công nghệ Gwangju
Việc tích hợp các phương tiện tự động hứa hẹn một số lợi ích cho khả năng di chuyển trong đô thị, bao gồm tăng cường an toàn, giảm tắc nghẽn giao thông và tăng cường khả năng tiếp cận. Các phương tiện tự động cũng cho phép người lái xe tham gia vào các nhiệm vụ không liên quan đến lái xe (NDRT) như thư giãn, làm việc hoặc xem đa phương tiện trên đường đi.
Tuy nhiên, việc áp dụng rộng rãi bị cản trở bởi lòng tin hạn chế của hành khách. Để giải quyết vấn đề này, các giải thích cho các quyết định về xe tự động có thể thúc đẩy lòng tin bằng cách cung cấp khả năng kiểm soát và giảm các trải nghiệm tiêu cực. Những giải thích này phải mang tính thông tin, dễ hiểu và ngắn gọn để có hiệu quả.
Các phương pháp tiếp cận trí tuệ nhân tạo có thể giải thích (XAI) hiện có chủ yếu phục vụ cho các nhà phát triển, tập trung vào các tình huống rủi ro cao hoặc các giải thích toàn diện, có khả năng không phù hợp với hành khách. Để lấp đầy khoảng trống này, các mô hình XAI lấy hành khách làm trung tâm cần hiểu loại và thời điểm thông tin cần thiết trong các tình huống lái xe thực tế.
Để giải quyết khoảng trống này, một nhóm nghiên cứu do Giáo sư SeungJun Kim từ Viện Khoa học và Công nghệ Gwangju (GIST), Hàn Quốc đứng đầu đã nghiên cứu các giải thích về nhu cầu của hành khách trên xe tự động trong điều kiện đường thực tế. Sau đó, họ đã giới thiệu một tập dữ liệu đa phương thức, có tên là TimelyTale, bao gồm dữ liệu cảm biến dành riêng cho hành khách để đưa ra các giải thích kịp thời và phù hợp với ngữ cảnh.
"Nghiên cứu của chúng tôi chuyển trọng tâm của XAI trong lái xe tự động từ nhà phát triển sang hành khách. Chúng tôi đã phát triển một phương pháp để thu thập nhu cầu thực tế của hành khách đối với các giải thích trong xe và các phương pháp để tạo ra các giải thích kịp thời, phù hợp với tình huống cho hành khách", Giáo sư Kim giải thích.
Những phát hiện của họ có trong hai nghiên cứu được công bố trên Biên bản báo cáo của ACM về Công nghệ tương tác, di động, đeo được và phổ biến vào ngày 27 tháng 9 năm 2023 và ngày 9 tháng 9 năm 2024. Các tác giả đã được trao "Giải thưởng bài báo xuất sắc" tại UbiComp 2024 cho nghiên cứu tiên phong của họ có tiêu đề "Giải thích điều gì và khi nào?: Đánh giá giải thích trên đường trong xe tự động hóa cao".
Đầu tiên, các nhà nghiên cứu đã nghiên cứu tác động của nhiều loại giải thích trực quan khác nhau, bao gồm nhận thức, sự chú ý và sự kết hợp của cả hai, cũng như thời điểm của chúng đối với trải nghiệm của hành khách trong điều kiện lái xe thực tế bằng cách sử dụng thực tế tăng cường. Họ phát hiện ra rằng chỉ riêng trạng thái nhận thức của xe đã cải thiện được lòng tin, sự an toàn được nhận thức và nhận thức tình huống mà không gây choáng ngợp cho hành khách. Họ cũng phát hiện ra rằng xác suất rủi ro giao thông là hiệu quả nhất để quyết định thời điểm đưa ra lời giải thích, đặc biệt là khi hành khách cảm thấy quá tải thông tin.
Dựa trên những phát hiện này, các nhà nghiên cứu đã phát triển bộ dữ liệu TimelyTale. Phương pháp này bao gồm dữ liệu ngoại cảm (mô tả môi trường bên ngoài, chẳng hạn như cảnh vật, âm thanh, v.v.), nội cảm (mô tả vị trí và chuyển động của cơ thể) và nội cảm (mô tả cảm giác của cơ thể, chẳng hạn như đau, v.v.), được thu thập từ hành khách bằng nhiều loại cảm biến trong các tình huống lái xe tự nhiên, như các đặc điểm chính để dự đoán nhu cầu giải thích của họ.
Đáng chú ý, công trình này cũng kết hợp khái niệm khả năng ngắt quãng, ám chỉ sự chuyển hướng tập trung của hành khách từ NDRT sang thông tin liên quan đến lái xe. Phương pháp này xác định hiệu quả cả thời điểm và tần suất hành khách yêu cầu giải thích cũng như các giải thích cụ thể mà hành khách muốn trong các tình huống lái xe.
Sử dụng phương pháp này, các nhà nghiên cứu đã phát triển một mô hình học máy dự đoán thời điểm tốt nhất để cung cấp lời giải thích. Ngoài ra, để chứng minh khái niệm, các nhà nghiên cứu đã tiến hành mô hình hóa toàn thành phố để tạo ra các lời giải thích bằng văn bản dựa trên các địa điểm lái xe khác nhau.
Giáo sư Kim cho biết: "Nghiên cứu của chúng tôi đặt nền tảng cho việc chấp nhận và áp dụng rộng rãi hơn các phương tiện tự hành, có khả năng định hình lại giao thông đô thị và phương tiện di chuyển cá nhân trong những năm tới".
Mời các đối tác xem hoạt động của Công ty TNHH Pacific Group.
FanPage: https://www.facebook.com/Pacific-Group
YouTube: https://www.youtube.com/@PacificGroupCoLt
