Szabályalapú tervezőkkel javítják a robotautók döntéseit a kutatók
A Neuro-Symbolic Drive keretrendszer a klasszikus tervezők szabályalapú logikáját építi be a robotautó-vezérlő modellekbe, így a hibaszázalék akár 10,13%-ról 5,99%-ra csökkenhet.
A Xiangbo Gao vezette kutatócsoport egy új neuro-szimbólikus megközelítést dolgozott ki a robotautók vezérlésére. A Neuro-Symbolic Drive keretrendszer a korábbi, gyakran csak utólagos magyarázatokat adó modellekkel szemben a klasszikus, szabályalapú tervezők logikáját integrálja a döntéshozatalba. Ezáltal a modell lépésről lépésre követhetővé és kauzálisan összekapcsolttá teszi a tervezett mozgást az azt megalapozó indoklással — írja az arXiv.
Szabályalapú gondolkodás a volán mögött
A kutatók megfigyelték, hogy a klasszikus szabályalapú tervezők már eleve szimbolikus AI-rendszerekként működnek. Ezek a rendszerek képesek az aktív biztonsági korlátozások figyelembevételére, jelölt-manőverek feletti keresésre, és végül egy konkrét útvonal kiválasztására. A Neuro-Symbolic Drive ezeket a tervezőket szimulációban instrumentálja, hogy rögzítsék mind a végrehajtott útvonalat, mind az egyes szabályértékelési lépések belső döntési nyomvonalát. Ezt a struktúrált, szabályalapú érvelést párosítják a Qwen3.5-4B modell finomhangolásához.
Kapcsolódó: neuro-szimbolikus architektúra
Jelentős pontosságjavulás szimulációban
Az új módszerrel a modell hibaszázaléka (ADE@3s) háromkamerás érzékelés esetén 0,47-ről 0,26-ra, a kihagyott manőverek aránya (miss rate) pedig 8,30%-ról 6,40%-ra csökkent. Nyolckamerás érzékelés mellett az ADE@3s 0,54-ről 0,26-ra, a kihagyott manőverek aránya pedig 10,13%-ról 5,99%-ra javult. Ezek az eredmények egy szimulátor-alapú teljesítményteszten születtek, a valós vezetési adatokra való általánosíthatóságot a szerzők még nem vizsgálták.
Kapcsolódó: ReGuLaR technológia
Nyílt forráskód és elérhetőség
A Neuro-Symbolic Drive keretrendszer célja, hogy a neuro-szimbólikus tervezési logikát strukturált felügyeletté alakítsa. A kutatók a teljes kódbázist és a finomhangolt Qwen3.5-4B modellt nyilvánosan elérhetővé tették a GitHubon, lehetővé téve más kutatók és fejlesztők számára a módszer kipróbálását és továbbfejlesztését.
Kapcsolódó: AI-gondolkodás komplexitása