自动驾驶汽车使用各种传感器和机器学习型号来预测周围道路使用者的行为。文献中的大多数机器学习模型都集中在定量误差指标上，例如均方根误差（RMSE），以学习和报告其模型的功能。对定量误差指标的关注倾向于忽略模型的更重要的行为方面，从而提出了这些模型是否真正预测类似人类行为的问题。因此，我们建议分析机器学习模型的输出，就像我们将在常规行为研究中分析人类数据一样。我们介绍定量指标，以证明在自然主义高速公路驾驶数据集中存在三种不同的行为现象：1）运动学依赖性谁通过合并点首次通过合并点2）巷道上的车道更改，可容纳坡道车辆3 ）车辆通过高速公路上的车辆变化，以避免铅车冲突。然后，我们使用相同的指标分析了三个机器学习模型的行为。即使模型的RMSE值有所不同，所有模型都捕获了运动学依赖性的合并行为，但在不同程度上挣扎着捕获更细微的典型礼貌车道变更和高速公路车道的变化行为。此外，车道变化期间的碰撞厌恶分析表明，模型努力捕获人类驾驶的物理方面：在车辆之间留下足够的差距。因此，我们的分析强调了简单的定量指标不足，并且在分析人类驾驶预测的机器学习模型时需要更广泛的行为观点。
translated by 谷歌翻译
在这项工作中，该案例是为了对系统堆栈的全面自上而下的重新启动，从编程语言级别通过系统体系结构来弥合这种复杂性差距。我们设计的关键目标是解决程序员在问题水平上以更高级别的抽象阐明解决方案的关键需求，同时拥有运行时系统堆栈并隐藏广泛的弥漫性子应用程序和机间资源的范围。这项工作还介绍了这种系统堆栈架构的生产级实现，称为JASECI，以及相应的编程语言JAC。 JAC和JASECI已作为开放源代码发布，并由真实产品团队利用，以加速开发和部署复杂的AI产品和其他应用程序。 JAC已在商业生产环境中使用，将AI开发时间表加速约10倍，Jaseci运行时自动化决策和优化通常会属于团队中手动工程角色的范围，例如应该和不应是微服务和不应该改变的，并且不应该改变这些动态。
translated by 谷歌翻译