Integracija automatizovanih vozila obećava nekoliko prednosti za gradsku mobilnost, uključujući povećanu bezbednost, smanjenu gužvu u saobraćaju i poboljšanu pristupačnost. Automatizovana vozila takođe omogućavaju vozačima da se bave zadacima koji nisu povezani sa vožnjom (NDRT) kao što su opuštanje, rad ili gledanje multimedije na putu.
Međutim, široko usvajanje ometa ograničeno poverenje putnika. Da bi se ovo rešilo, objašnjenja za automatizovane odluke o vozilima mogu podstaći poverenje pružanjem kontrole i smanjenjem negativnih iskustava. Ova objašnjenja moraju biti informativna, razumljiva i sažeta da bi bila efikasna.
Postojeći pristupi objašnjive veštačke inteligencije (KSAI) uglavnom su namenjeni programerima, fokusirajući se na scenarije visokog rizika ili sveobuhvatna objašnjenja, potencijalno neprikladna za putnike. Da bi popunili ovu prazninu, KSAI modeli koji su usredsređeni na putnike treba da razumeju vrstu i tajming informacija potrebnih u scenarijima vožnje u stvarnom svetu.
Rešavajući ovu prazninu, istraživački tim, predvođen profesorom SeungJun Kimom sa Instituta za nauku i tehnologiju Gvangju (GIST), Južna Koreja, istražio je objašnjenja za zahteve putnika u automatizovanim vozilima u uslovima realnog puta. Zatim su predstavili multimodalni skup podataka, nazvan TimeliTale, koji uključuje podatke senzora specifičnih za putnike za pravovremena objašnjenja koja su relevantna za kontekst.
„Naše istraživanje pomera fokus KSAI-a u autonomnoj vožnji sa programera na putnike. Razvili smo pristup za prikupljanje stvarnih zahteva putnika za objašnjenjima u vozilu i metodama za generisanje pravovremenih, relevantnih objašnjenja za putnike,“ objašnjava prof. Kim .
Njihovi nalazi su dostupni u dve studije objavljene u časopisu Zbornik radova ACM-a o interaktivnim, mobilnim, nosivim i sveprisutnim tehnologijama 27. septembra 2023. i 9. septembra 2024. godine. Autori su nagrađeni „Distinguished Paper Avard“ na UbiComp 2024 za njihovu pionirsku studiju pod nazivom „Šta i kada objasniti?: Evaluacija objašnjenja na putu u visoko automatizovanim vozilima“.
Istraživači su prvo proučavali uticaj različitih tipova vizuelnih objašnjenja, uključujući percepciju, pažnju i kombinaciju oba, i njihovo vreme na iskustvo putnika u stvarnim uslovima vožnje korišćenjem proširene stvarnosti. Otkrili su da je samo stanje percepcije vozila poboljšalo poverenje, uočenu bezbednost i svest o situaciji bez preopterećenja putnika. Takođe su otkrili da je verovatnoća saobraćajnog rizika najefikasnija za odlučivanje kada treba dati objašnjenja, posebno kada se putnici osećaju preopterećeni informacijama.
Nadovezujući se na ove nalaze, istraživači su razvili skup podataka TimeliTale. Ovaj pristup uključuje eksteroceptivne (opis spoljašnjeg okruženja, kao što su prizori, zvuci itd.), proprioceptivne (opis položaja i pokreta tela) i interoceptivne (opis osećaja tela, kao što je bol itd.) podatke, prikupljene iz podataka prikupljenih iz podataka. putnici koji koriste različite senzore u prirodnim scenarijima vožnje, kao ključne karakteristike za predviđanje njihovih zahteva za objašnjenjem.
Posebno, ovaj rad takođe uključuje koncept prekidanja, koji se odnosi na pomeranje fokusa putnika sa NDRT-a na informacije vezane za vožnju. Metod je efikasno identifikovao i vreme i učestalost zahteva putnika za objašnjenjima, kao i specifična objašnjenja koja putnici žele tokom situacija u vožnji.
Koristeći ovaj pristup, istraživači su razvili model mašinskog učenja koji predviđa najbolje vreme za davanje objašnjenja. Pored toga, kao dokaz koncepta, istraživači su sproveli modeliranje širom grada za generisanje tekstualnih objašnjenja na osnovu različitih lokacija vožnje.
„Naše istraživanje postavlja osnovu za povećano prihvatanje i usvajanje autonomnih vozila, potencijalno preoblikujući gradski prevoz i ličnu mobilnost u narednim godinama“, kaže prof. Kim.