基于场传输的驾驶风险推断：面向类人自动驾驶的 DRIFT

风险场提供了对标量安全指标的空间结构化替代方案。然而，手工制作的静态风险场模型在遮挡和拓扑驱动的传播方面难以应对。我们提出 DRIFT（Driving Risk Inference via Field Transmission for Human-like Autonomous Driving），一个由 advection-diffusion-reaction 偏微分方程（PDE）支配的时空风险场（可选包含电报术项）。DRIFT 依赖三个来源：用于捕捉速度引起风险的各向异性高斯核，遮挡感知的潜在危险区域（位于大型车辆后方），以及拓扑耦合的合并区冲突压力。我们进一步引入场中心评估指标来补充现有的代理安全措施（SSMs），包括车道变更风险差分、时间预期指数、遮挡灵敏度指数和遮挡响应延迟。实验在真实交通数据集上表明，DRIFT 在遮挡情况下降低了响应延迟，并在遮挡情境下降低了近碰撞率。