Cuốn sách này khám phá việc học biểu diễn có thể giải thích được để dự báo chuyển động trong xe tự lái. Thay vì coi các mô hình Transformer như những hộp đen, cuốn sách trình bày các phương pháp phân tích, diễn giải và sửa đổi các biểu diễn mà các mô hình này đã học được. Cuốn sách giới thiệu các kỹ thuật huấn luyện trước tự giám sát với các mục tiêu có thể giải thích được và nghiên cứu không gian tiềm ẩn của các mô hình dự báo để khám phá các đặc điểm có ý nghĩa và có thể giải thích được, hỗ trợ các can thiệp mục tiêu. Cuốn sách cũng xem xét các cơ chế nhân quả ngược cho phép dự báo dựa trên các mục tiêu và hướng dẫn được xác định trước. Bằng cách tăng cường tính minh bạch, khả năng kiểm soát và độ tin cậy, cuốn sách này đóng góp vào sự phát triển của các hệ thống trí tuệ nhân tạo đáng tin cậy cho các ứng dụng lái xe tự động.

Abstract:

This book explores interpretable representation learning for motion forecasting in self-driving cars. Rather than treating Transformer models as black boxes, it presents methods for analyzing, interpreting, and modifying the representations learned by these models. The book introduces self-supervised pre-training techniques with interpretable objectives and investigates the latent spaces of forecasting models to uncover meaningful and interpretable features that support targeted interventions. It also examines retrocausal mechanisms that enable forecasting based on predefined goals and instructions. By enhancing transparency, controllability, and reliability, this book contributes to the development of trustworthy artificial intelligence systems for autonomous driving applications.

Ngôn ngữ:	eng
Tác giả:	Wagner, Royden
Thông tin nhan đề:	Interpretable Representation Learning for Motion Forecasting
Nhà xuất bản:	KIT Scientific Publishing
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	https://creativecommons.org/licenses/by/4.0/deed.en
Nguồn gốc:	https://www.ksp.kit.edu/books/m/10.5445/KSP/1000191275
Mô tả vật lý:	172p.
Năm xuất bản:	2026