연구진은 자율주행 모델의 복잡성과 불투명성을 줄이기 위해 해석 가능성 모듈을 통합했어요. 사전 학습된 딕셔너리 학습을 활용해 운전 행동을 의미 있는 개념으로 분해하고, 모델의 의사 결정에 미치는 원인적 영향을 보여줬어요. 개념 수준에서의 개입을 통해 운전 결정을 조작하고 수정해 전체적인 운전 성능을 향상시켰어요.
연구는 엔드투엔드 모델의 의사 결정 로직을 밝히고, 오류 행동을 발견하며, 목표 지향적인 완화를 가능하게 하는 방법을 제시해요. 자율주행 모델의 불투명성을 줄이고, 오류 행동을 파악하며, 성능을 향상시키는 데 해석 가능성을 활용하는 방법을 보여주는 거죠.
이 연구는 자율주행 모델의 해석 가능성을 높여 모델의 투명성을 높이고, 잘못된 행동을 발견하고, 성능을 개선하는 데 도움이 될 수 있음을 보여줘요.