這是首個基於Transformer的駕駛行為描述框架，可以感知和預測駕駛行為。也就是說，輸入車輛視頻後，這個算法可以判斷車輛行為並告訴你：車在做什麼，為什麼要這麼做。還在玩ChatGPT？已經有自動駕駛算法能告訴你“我在幹嘛”。

基於視覺和神經網絡的自動駕駛算法，雖然能通過傳感器數據，以及學習人類的駕駛行為，自主決策並控制車輛。

但是，算法基於什麼做出的決策？特別是出現故障，也就是決策錯誤的時候，算法是怎麼想的？這些一直被稱為自動駕駛算法裡的“黑匣子”，讓算法缺乏透明度和可解釋性。

不過，現在有這麼一個模型，既能預測車輛控制行為，還能自己解釋“我停車是因為紅燈亮了，並且有行人在過馬路”。

模型論文入選ICRA 2023，相關模型已開源。

那麼，是一個什麼樣的算法？

ADAPT：駕駛行為感知說明大模型

這是一種叫ADAPT（Action-aware Driving Caption Transformer）的端到端算法，也是目前第一個基於Transformer的駕駛行為描述框架，可以感知和預測駕駛行為，並且輸出自然語言敘述和推理。

直白一點說，輸入車輛視頻後，這個算法可以判斷車輛行為並告訴你：車在做什麼，為什麼要這麼做。

在論文作者提供的測試視頻裡，這個算法最終上車的效果是這樣的。（紅色字是車輛行為，藍色字是解釋）

“車在向前開。因為路上沒有車。”

駕駛行為變化後，算法也能及時感知：

“車靠左邊停下了。因為要停車。”

“車開始移動並且靠右行駛。因為路左邊停著車。”

算法不僅能識別路口，也能識別騎著車的人。

“車在十字路口停下了。因為要避開街上騎著自行車的人，”

這是怎麼實現的？

多任務框架下的聯合訓練

ADAPT框架可以分為兩個部分：車輛行為描述（DCG，Driving Caption Generation）和車輛控制信號預測（CSP，Control Signal Prediction）。

首先，傳感器端輸入視頻，Video Swin Transformer對車輛視頻進行編碼，得到的視頻特徵會輸入進各任務模塊裡。

在DCG模塊，算法利用Vision-Language Transformer生成兩個自然語句，也就是上文中提到的車輛行為描述和原因解釋。

相同的視頻特徵也會輸入進CSP模塊（類似一般基於視覺的自動駕駛系統），輸出車輛實際的控制信號序列，並利用Motion Transformer輸出模型預測的控制信號，比如速度、方向和加速度。

在單個網絡中，作者利用車輛實際的控制信號序列和模型預測的控制信號序列，兩者的均方誤差作為CSP模塊的損失函數。

而在多任務框架下，通過聯合訓練DCG和CSP，可以減少車輛決策和文本描述之間的差異，提高控制信號預測的準確率。

論文裡，作者們在包含控制信號和車輛視頻的大規模數據集BDD-X上，利用機器評測和人工評測驗證了ADAPT的有效性。

機器評測方面，使用的是BLEU4、METEOR、ROUGE-L和CIDEr（對應縮寫分別為B4、M、R、C）等多種語言任務常用的指標。

最終顯示ADAPT達到了當前最優（State-of-the-Art）的結果，ADAPT在動作描述方面比原有先進方法CIDEr高出31.7，在原因解釋方面高33.1。

人工評測分為動作描述、原因解釋和全句三個部分。通過人工判斷，ADAPT在這三部分的準確性分別達到了90%，90.3%和82.7%，證明了ADAPT的有效性。

在可視化結果裡，也能看出ADAPT可以準確識別車輛行為以及決策原因。並且在黑夜、陰雨天等場景下，ADAPT也能保證準確度；即使有雨刷器干擾，ADAPT也可以識別道路上的停止標識。

為什麼需要ADAPT？

自動駕駛行為的可解釋性

在基於視覺的自動駕駛算法裡，比較常見的解釋圖有視覺注意圖（Attention Map），或者成本量圖（Cost Volume），但不熟悉自動駕駛算法的人容易對這些圖造成誤解。

上：視覺注意圖；下：成本量圖

因此，ADAPT這種能夠生成自然語言、“說人話”的算法，能夠幫助用戶更好地理解自動駕駛算法在做什麼、為什麼要這麼做，同時還能讓用戶更信任自動駕駛技術。

而對於算法工程師和研究人員來說，當發生極端情況時、或者發生故障（比如判斷錯誤）時，ADAPT可以幫助他們獲得更多信息，進而改進算法。

作者們將進一步研究如何在模擬器和實際車輛上如何部署ADAPT，以及如何利用文本轉語音技術，讓生成的句子轉化為語音，幫助普通乘客，特別是視力障礙乘客使用。