- 11 de noviembre de 2024
- Noticias
Aceptan artículo científico escrito por Profesores y Estudiantes de la UPV en el CaDis 2024
El artículo «Preventing Collisions in Self-driving Cars using Probabilistic Logic Counterfactual Reasoning» escrito por los profesores de la Universidad Politécnica de Victoria: Dr. Héctor Hugo Avilés Arriaga (ITI) y Dr. Rubén Machucho Cadena (ISA) en colaboración con la Dra. Verónica Rodriguez (ITM), Dr. Alberto Reyes (INEEL), Dr. Marco Negrete (FI-UNAM), Dr. Alberto Petrilli (Tohoku University), Dr. Gabriel Ramírez (Cinvestav Tamaulipas), MSAI Rafael Kiesel (TU Wien), I.M. Karelly Rivera, y las estudiantes Ingridh Gracia (ITI) y Gloria de la Garza (IM) ha sido aceptado en el Workshop on Causal Discovery (CaDis 2024) dentro del 18th Ibero-American Conference on Artificial Intelligence (IBERAMIA 2024) a celebrarse el 12 de noviembre en la Facultad de Ingeniería de la Universidad de la República en Montevideo Uruguay.
El objetivo de CaDis 2024 es presentar avances recientes en descubrimiento causal, que incluyen enfoques con datos observacionales y/o intervencionales, así como la construcción de modelos con ayuda de expertos humanos. También es de interés la combinación del descubrimiento causal con otras áreas de aprendizaje automático y aplicaciones en el mundo real.
Los autores proponen consultas contrafactuales probabilísticas para responder a preguntas sobre situaciones prospectivas e hipotéticas como: «¿Cuál es la probabilidad de que una situación de colisión potencial persista, dado que la acción actual y el estado del sistema son conocidos, si se realizara una acción diferente?».
Las respuestas a este tipo de preguntas «¿Qué pasaría si?» pueden ayudar a los vehículos autónomos a evaluar la conveniencia de acciones de conducción alternativas para realizar maniobras seguras frente a situaciones riesgosas e inesperadas. Los modelos causales pueden ser codificados usando programación lógico probabilística, un paradigma sólido con una representación de conocimiento clara y flexible y con métodos de inferencia sofisticados para resolver eficientemente consultas en distribuciones de probabilidad complejas.
El razonamiento contrafactual se implementa mediante redes gemelas lógico probabilistas (PLTNs, por sus siglas en inglés). La base de las PLTNs es una red Bayesiana causal (cBN) con variables de confusión la cual es aprendida parcialmente de conocimiento experto, datos de un coche autónomos simulado y de datos sintéticos. La cBN incluye el carril del coche autónomo, la presencia de hasta
4 vehículos circundantes, un indicador de posibles colisiones y 6 acciones de conducción. Las consultas contrafactuales intervienen a las PLTNs con acciones
