Учёные разработали реляционные каузальные модели ИИ для анализа дорожных сцен
Группа исследователей опубликовала работу, в которой описала новый класс моделей искусственного интеллекта, способных одновременно учитывать причинность и комбинаторное разнообразие объектов. Статья «Relational Structural Causal Models» доступна на arXiv.
Авторы отмечают, что современный ИИ должен понимать не только причинно-следственные связи (интервенции и контрфактуалы), но и обобщать на новые, не встречавшиеся ранее комбинации объектов. Для этого они формализовали реляционные структурные каузальные модели, расширяющие классические структурные каузальные модели.
В работе показано, что без дополнительных предположений невозможно идентифицировать ответы на каузальные и даже наблюдательные запросы в условиях переменных объектов и отношений. Чтобы решить эту проблему, исследователи определили реляционные каузальные графы и вывели символьные критерии идентификации, применимые даже при наличии неучтённых факторов.
Также предложены реляционные нейросетевые каузальные модели — подход, который гарантирует корректность вывода. Модель протестирована на симулированных дорожных сценах с варьирующимся числом автомобилей, светофоров и пешеходов. Результаты показали, что новый метод работает точнее нереляционных аналогов.
Разработка может найти применение в автономных транспортных системах, робототехнике и других областях, где требуется анализ сложных динамических сцен с переменным составом объектов.
