IA explicable en un coche autónomo: ayuda solo cuando el coche hace algo raro#
Los coches autónomos conducen con redes neuronales que no dicen por qué hacen lo que hacen. Kenny y su equipo construyeron CW-Net, una capa que obliga al planificador a razonar con conceptos que un humano entiende, y la montaron en un coche de pruebas real. Aquí reproducimos los dos estudios con humanos del paper — 99 personas con asignación aleatoria y 39 en simulador — y el resultado se parte en dos: las explicaciones sirven mucho en situaciones sorprendentes y no sirven nada en las rutinarias.
El hallazgo: ante situaciones sorprendentes, entender por qué actuaba el coche subió 20,3 puntos porcentuales (del 16,7 % al 36,9 %, d = 1,00). Sigue siendo mayoritariamente fallo: aun con las explicaciones, dos de cada tres respuestas son incorrectas.
Gráfica clave#

Reproducir#
O localmente:
pip install pandas matplotlib numpy scipy
jupyter execute notebook.ipynb
Datos#
datos/sagat_precision_participante.csv— precisión por participante en el estudio SAGAT de carretera pública. 198 filas (99 personas × 2 valencias), tres dimensiones de conciencia situacional.datos/sagat_efectos.csv— las 6 comparaciones del paper ya calculadas (diferencia en puntos porcentuales, t de Welch, d de Cohen con IC 95 %, corrección de Bonferroni). Réplica exacta del log oficial del repositorio.datos/simulador_modelo_mental.csv— estudio en simulador. 117 observaciones (39 personas × 3 escenarios), cambio antes/después en modelo mental y en predicción.
Los tres derivan del repositorio público del paper aplicando su propio preprocesamiento (descarte de metadatos de Qualtrics, control de atención, tiempos mínimos de visionado). Las 6 d de Cohen y sus intervalos coinciden con el paper a tres decimales.
Links#
Video: Ver en YouTube
Datos originales: EoinKenny/CW-Net-Autonomous-Driving