Neuro-Symbolic Drive łączy AI symboliczną z neuronową w autonomicznej jeździe

Zespół badaczy opracował Neuro-Symbolic Drive, innowacyjną metodę łączącą sztuczną inteligencję neuronową z symboliczną w systemach autonomicznej jazdy. Podejście to wykorzystuje ślady decyzyjne z klasycznych planerów opartych na regułach do nadzorowania treningu modeli VLA (Vision-Language-Action), co znacząco poprawia dokładność przewidywania trajektorii. Szczegóły badania zostały opublikowane w artykule naukowym na arXiv.

Kluczowe wnioski

• Neuro-Symbolic Drive łączy planery oparte na regułach z modelami neuronowymi VLA, tworząc strukturalne połączenie między rozumowaniem a generowaniem ruchu.
• System znacząco poprawił dokładność przewidywania trajektorii — ADE@3s spadło z 0.47 do 0.26 dla trzech kamer i z 0.54 do 0.26 dla ośmiu kamer.
• Współczynnik chybień zmniejszył się z 8.30% do 6.40% (trzy kamery) i z 10.13% do 5.99% (osiem kamer).
• Badacze wykorzystali model Qwen3.5–4B jako podstawę dla systemu autonomicznej jazdy z możliwością wyjaśniania decyzji w języku naturalnym.
• Podejście rozwiązuje problem braku przyczynowego połączenia między rozumowaniem a planowanym ruchem w obecnych systemach CoT.

Innowacyjne połączenie dwóch paradygmatów AI

Neuro-Symbolic Drive stanowi odpowiedź na kluczowe ograniczenia obecnych modeli jazdy autonomicznej wykorzystujących Chain-of-Thought (CoT). Chociaż takie systemy są atrakcyjne ze względu na wykorzystanie pretrenowanych reprezentacji VLM i ujawnianie pośrednich decyzji w języku naturalnym, ich uzasadnienia często brakuje semantyki decyzyjnej krok po kroku, niezbędnej do utrzymania przyczynowego połączenia z planowanym ruchem.

Kluczową obserwacją zespołu było to, że planery oparte na regułach już funkcjonują jako wykonywalne silniki rozumowania. Rozumują one o aktywnych ograniczeniach bezpieczeństwa, przeszukują kandydujące manewry i wybierają finalną trajektorię. Badacze zinstrumentalizowali te planery w symulacji, aby przechwycić zarówno wykonaną trajektorię, jak i wewnętrzny ślad decyzyjny na każdym etapie oceny reguł.

Metodologia i wyniki eksperymentalne

Każdy ślad decyzyjny jest serializowany do strukturalnego rozumowania opartego na regułach i sparowany z trajektorią w celu fine-tuningu modelu Qwen3.5–4B jako VLA do jazdy autonomicznej. Ponieważ te ślady pochodzą bezpośrednio ze stanów planera, które determinują akcję, zapewniają one strukturalne sprzężenie rozumowania z generowaniem ruchu przez konstrukcję, a nie przez późniejsze dopasowanie.

W testach przeprowadzonych na benchmarku generowanym przez symulator, szczegółowe rozumowanie oparte na regułach przyniosło znaczące poprawy. Dla percepcji trzech kamer Average Displacement Error w 3 sekundy (ADE@3s) zmniejszył się z 0.47 do 0.26, a współczynnik chybień spadł z 8.30% do 6.40%. W przypadku percepcji ośmiu kamer wyniki były jeszcze bardziej imponujące — ADE@3s zmniejszył się z 0.54 do 0.26, a współczynnik chybień z 10.13% do 5.99%.

Przyszłość neuro-symbolicznych systemów jazdy

Neuro-Symbolic Drive konwertuje logikę planowania neuro-symbolicznego w strukturalny nadzór, otwierając nowe możliwości dla rozwoju systemów autonomicznej jazdy. Podejście to może mieć szczególne znaczenie dla zwiększenia wiarygodności i interpretowalności decyzji podejmowanych przez pojazdy autonomiczne, co jest kluczowe dla ich akceptacji i bezpieczeństwa w rzeczywistych warunkach drogowych.