Language-Structured Relational Q-Learning for Threat-Aware Control in Safety-Critical Driving
Di cosa parla
Si indaga se descrizioni in linguaggio naturale per creare scenari aiutino un'auto a riconoscere quali veicoli sono una minaccia e come reagire. Propongono un modello che apprende la rilevanza tra veicoli e le azioni osservando solo i loro movimenti: l'addestramento usa descrizioni verbali, ma la guida le ignora. I risultati mostrano maggiore attenzione verso avversari ma non una guida più realmente adattiva; test di realismo evidenziano limiti.
Cosa permette di osservare
Consente di esplorare se dotare l'addestramento di informazioni linguistiche aiuta le auto a distinguere minacce da comportamenti innocui e, soprattutto, perché riconoscere il pericolo non sempre si traduce in azioni di guida più flessibili e sicure.
Dalla fonte
Natural-language-based scenario generation offers an intuitive means of describing rare and complex driving interactions, yet it is still uncertain whether training with language-structured data leads to truly adaptive control policies. We propose Language-Structured Relational Q-Learning, instantiated through an Ego-Centric Relational Q-Network (ERQ-Net), which jointly learns inter-vehicle relevance and action values from dynamic traffic graphs. Language descriptions define surrounding-vehicle behaviours during training, while prompts and semantic actor roles are hidden from the policy. ERQ-Net must therefore infer threat relevance solely from observable kinematics and interactions. Across 2,500 safety-critical scenarios, language-structured training improves test success from 49-52% to 55-58% and increases adversary-focused attention from 1.2x to 2.1x, demonstrating emergent threat aw…