基于认知因果学习的心理状态条件化多任务驱动感知辅助驾驶
机器学习
2026-04-10 v1 人工智能
摘要
针对高级驾驶辅助系统的多任务学习需要建模驾驶员内部状态与外部交通环境之间的复杂相互作用，但现有方法将识别任务视为平坦且独立的目标，未能利用驾驶行为背后的认知因果结构。本文提出 CauPsi，一个基于认知科学的因果多任务学习框架，显式建模 Traffic Context Recognition（TCR）、Vehicle Context Recognition（VCR）、Driver Emotion Recognition（DER）和 Driver Behavior Recognition（DBR）之间的层次依赖关系。该框架引入了两个关键机制：首先，因果任务链通过可学习的原型嵌入传递上游任务预测至下游任务，以可微方式实现从环境感知到行为调节的认知级联；其次，跨任务心理状态条件化（CTPC）从驾驶员面部表情和身体姿态估计心理状态信号，并作为条件输入注入所有任务，包括环境识别，从而建模驾驶员内部状态对认知和决策过程的调制作用。在 AIDE 数据集上进行评估，CauPsi 实现了 82.71% 的平均准确率，仅使用 5.05M 参数，超越了前期工作，DER 提升 +3.65%，DBR 提升 +7.53%。消融实验验证了每个组件的独立贡献，分析心理状态信号 confirms 其在无显式心理注释情况下自监督地获得系统性的任务标签依赖模式。
引用
@article{arxiv.2604.07651,
title = {Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception},
author = {Keito Inoshita and Nobuhiro Hayashida and Akira Imanishi},
journal= {arXiv preprint arXiv:2604.07651},
year = {2026}
}