[論文レビュー] AUTO-DISCERN: Autonomous Driving Using Common Sense Reasoning

Suraj Kothawade, Vinaya Khandelwal+3 more|arXiv (Cornell University)|Oct 17, 2021

Logic, Reasoning, and Knowledge参考文献 19被引用数 7

ひとこと要約

本論文では、答え集合プログラミング（ASP）およびゴール駆動型s(CASP)システムを介して機械学習による意思決定を代替する、自律走行システムAuto-Discernを提案する。人的な運転意思決定を形式化された日常的常識ルールとしてモデル化することで、説明可能で倫理的に整合的かつ証明可能に正しい意思決定を実現し、SAEレベル5自動走行への道筋を提供する。

ABSTRACT

Driving an automobile involves the tasks of observing surroundings, then making a driving decision based on these observations (steer, brake, coast, etc.). In autonomous driving, all these tasks have to be automated. Autonomous driving technology thus far has relied primarily on machine learning techniques. We argue that appropriate technology should be used for the appropriate task. That is, while machine learning technology is good for observing and automatically understanding the surroundings of an automobile, driving decisions are better automated via commonsense reasoning rather than machine learning. In this paper, we discuss (i) how commonsense reasoning can be automated using answer set programming (ASP) and the goal-directed s(CASP) ASP system, and (ii) develop the AUTO-DISCERN system using this technology for automating decision-making in driving. The goal of our research, described in this paper, is to develop an autonomous driving system that works by simulating the mind of a human driver. Since driving decisions are based on human-style reasoning, they are explainable, their ethics can be ensured, and they will always be correct, provided the system modeling and system inputs are correct.

研究の動機と目的

• 機械学習への過剰依存に起因するSAEレベル5自動走行の達成における停滞を解消するため、人間の日常的常識的推論に移行すること。
• パターン照合ではなく推論を用いることで、人間ドライバーの認知プロセスを模倣する意思決定システムを開発すること。
• 自律走行意思決定が、適切な入力およびルールモデリングのもとで説明可能で倫理的に整合的かつ正しいものであることを保証すること。
• リアルタイムの自律走行応用において、従来のSATソルバーベースのASPシステムのスケーラビリティおよび説明可能性の制限を克服すること。
• 学習済みMLモデルの再訓練ではなく、日常的常識ルールの更新によって、国ごとの運転慣習に適応できるシステムを構築すること。

提案手法

• 交通ルール、オブジェクト間相互作用、シーンのダイナミクスといった走行知識を、答え集合プログラミング（ASP）における論理的ルールとして表現すること。
• CLINGOのような従来のSATソルバーベースのシステムと比較して、スケーラビリティと説明可能性が向上した、ASPのゴール駆動型実装であるs(CASP)を用いてこれらのルールを実行すること。
• 深層学習に基づくシーン理解からのセンサーおよび認識データを、ASP知識ベースへの入力述語として統合すること。
• 順序付けられたシーン処理を通じて、点滅する信号や物体の運動予測といったシーンの時間的系列を、時間的推論を用いてモデル化すること。
• 認識（深層学習を介して）が推論エンジン（s(CASP)を介して）に入力を供給するモジュラーなアーキテクチャを設計すること。
• 意思決定が論理的に整合性のあるルール集合および検証済みの入力記述から導かれるようにすることで、システムの正しさを検証すること。

実験結果

リサーチクエスチョン

• RQ1 形式化されたASPを用いた日常的常識推論は、正しさと説明可能性を維持したまま、自律走行意思決定における機械学習の代替として可能か？
• RQ2 CLINGOのような従来のASPソルバーよりもスケーラビリティおよびトレーサビリティに優れた、ゴール駆動型ASPシステムs(CASP)は、リアルタイムの自律走行応用において、その制限をどのように克服できるか？
• RQ3 時間的推論を用いた日常的常識ルールに基づくシステムは、点滅する信号や物体の軌道予測といった複雑な走行状況をどの程度処理できるか？
• RQ4 MLベースのシステムとは異なり、認識モデルの再訓練を伴わず、日常的常識ルールの更新のみで、新規の国における運転慣習に適応できるか？
• RQ5 入力とルールが正しい場合、このようなシステムは証明可能に倫理的であり、誤った意思決定を生じないか？

主な発見

• Auto-Discernシステムは、ASPで表現された形式化された日常的常識ルールを用いて走行意思決定を効果的にモデル化し、説明可能で証明可能に正しい振る舞いを実現した。
• s(CASP)の使用により、CLINGOのような従来のSATソルバーベースのASPシステムに比べ、効率的でゴール駆動型の推論が可能となり、スケーラビリティとトレーサビリティの主な制限を克服した。
• 時間的推論を用いたシーンの系列処理により、点滅する信号や予測的運動モデル化といった複雑な状況を処理できるようになった。
• MLベースのシステムとは異なり、認識モデルの再訓練を伴わず、日常的常識ルールの更新のみで、新規の国における運転慣習に適応できる。
• 入力が正確な場合、推論における論理的一致性に依存することで、MLベースの認識における潜在的な誤りを補償し、意思決定の正しさを保証した。
• 本アプローチは、走行意思決定における人間の認知プロセスを模倣することで、SAEレベル5自動走行への現実的な道筋を示した。