基于知识图谱嵌入和检索增强生成的近崩溃场景车道变更可解释预测
机器学习
2026-01-07 v1 人工智能
计算与语言
信息检索
摘要
车道变更尤其是执行突然或在风险情况下的变更，是交通事故的主要原因之一。然而，当前研究主要关注预测安全的车道变更。此外，现有的事故数据集通常仅基于图像，缺乏综合感知数据。本文聚焦于使用 CRASH 数据集（我们自行收集的专为风险车道变更而设计的数据集）预测危险车道变更，并使用 HighD 数据集预测安全车道变更。然后，我们利用知识图谱和贝叶斯推理结合语言语境信息来预测这些动作，增强模型的可解释性和透明性。该模型在风险车道变更中以 91.5% 的 F1 分数实现预测，预测时间可延伸至四秒；在预测安全车道变更时，同样的预测时间下达到 90.0% 的 F1 分数。我们通过将模型集成到 CARLA 模拟器中的涉及风险车道变更的场景中进行了验证。该模型成功预测了突然的车道变更，从而为自动驾驶车辆提供了进一步的时间来规划和执行适当的安全反应。最后，为了增强模型的可解释性，我们利用 RAG 提供清晰且自然语言的解释。
引用
@article{arxiv.2501.11560,
title = {Explainable Lane Change Prediction for Near-Crash Scenarios Using Knowledge Graph Embeddings and Retrieval Augmented Generation},
author = {M. Manzour and A. Ballardini and R. Izquierdo and M. Á. Sotelo},
journal= {arXiv preprint arXiv:2501.11560},
year = {2026}
}