面向驾驶辅助的场景中心语义解释双阶段LLM框架
人工智能
2026-03-31 v1
摘要
先进的驾驶辅助系统（ADAS）日益依赖基于学习的感知，但安全相关的故障往往并非由组件失灵引起，而是源于风险如何被解释和传达时的部分可观测性和语义模糊性。本文提出一个以场景为中心的框架，用于对城市驾驶语境中基于大语言模型（LLM）的风险推理进行可复现审计。从多模态驾驶数据构建确定性、时间有界的场景窗口，并在固定提示约束和封闭数值风险模式下进行评估，确保跨模型的结构化和可比较输出。在精选的近人场景集上进行的实验比较了两个纯文本模型和一个多模态模型在相同输入和提示下的表现。结果揭示了模型间在严重性分配、高风险升级、证据使用和因果归因方面的系统性分歧。对弱势道路使用者存在性的解释也存在分歧，表明这种变异性往往反映了内在的语义不确定性，而非孤立的模型故障。这些发现强调了在将基于LLM的推理集成到安全对齐的驾驶辅助系统时，场景中心审计和显式模糊性管理的重要性。
引用
@article{arxiv.2603.27536,
title = {Dual-Stage LLM Framework for Scenario-Centric Semantic Interpretation in Driving Assistance},
author = {Jean Douglas Carvalho and Hugo Taciro Kenji and Ahmad Mohammad Saber and Glaucia Melo and Max Mauro Dias Santos and Deepa Kundur},
journal= {arXiv preprint arXiv:2603.27536},
year = {2026}
}