象徴的模倣学習：ブラックボックスから説明可能な運転ポリシーへ

現在の模倣学習アプローチは、主に深層ニューラルネットワーク（DNN）に基づいており、実世界のデータセットから運転ポリシーを学習するための効率的なメカニズムを提供します。しかし、これらは解釈可能性と一般化能力における固有の制限に苦しんでおり、これは自動運転のような安全性が重要な分野では重要な問題です。本論文では、合成データセットから説明可能で一般化可能な運転ポリシーを導出するために帰納論理プログラミング（ILP）を活用する新しいフレームワークである象徴的模倣学習（SIL）を紹介します。高次元（HighD）およびNGSimデータセットを用いてSILを評価し、衝突率、車線変更効率、平均速度などの指標を使用して最先端のニューラル模倣学習方法とその性能を比較します。その結果、SILは政策の透明性を大幅に向上させつつ、さまざまな運転条件において強力な性能を維持することが示されました。これらの発見は、ILPを模倣学習に統合することで、安全でより信頼性の高い自律システムを促進する可能性を強調しています。