相似性搜索通过将实时决策与数据库中存储的历史场景进行比较，提升了自动驾驶系统的黑箱可解释性。当自动驾驶汽车做出决策时——比如突然刹车或变道——系统会检索类似的过往情况，以便说明选择特定行为的原因。这种方法通过将传感器输入（例如，摄像头图像、激光雷达数据）转换为嵌入（数字表示），并在预计算的数据集中搜索匹配项来实现。通过向开发者展示“此决策与系统之前处理类似情况的方式一致”，它弥合了不透明的神经网络输出与人类可理解的推理之间的差距。
例如，假设一辆汽车为了避开路上的一个物体而突然转向。相似性搜索可以找出过去相同物体（例如，掉落的树枝）触发类似避险操作的实例。开发者可以检查这些情况，以验证决策是否与安全行为一致，或者是否暴露了模型难以处理的边缘情况。这种方法还有助于识别模糊场景中的模式。如果汽车在弱光条件下经常将阴影误判为障碍物，分析检索到的匹配项可能会显示在类似光照条件下反复出现的假阳性，从而指导工程师改进训练数据或传感器融合算法。通常使用诸如 K 近邻 (KNN) 或近似最近邻 (ANN) 库等工具来高效搜索大型驾驶场景数据集。
除了调试之外，相似性搜索还能增强对系统行为的信任。例如，在验证过程中，如果汽车意外减速，工程师可以查看匹配的场景以确认该行为是否合理（例如，检测到部分被停放车辆遮挡的行人）。这种透明度对于法规遵从和利益相关者的信心至关重要。然而，解释的质量取决于数据集的多样性以及嵌入方法捕捉相关特征的能力。如果数据集缺乏罕见场景（例如，极端天气），相似性搜索可能无法解释这些情况下的决策。总的来说，这是一种将复杂的模型输出映射到可观察的现实世界场景的实用方法，而无需完全实现模型可解释性。