融合驾驶员感知风险与物理风险用于自动驾驶安全关键情境筛选
机器人学
2026-03-24 v1 人工智能
机器学习
摘要
自动驾驶测试越来越依赖从大规模自然驾驶数据中挖掘安全关键情境，但现有的筛选管道仍依赖手动风险标注和昂贵的逐帧风险评估，导致效率低下且风险量化不够扎实。为解决此问题，我们提出了一种基于驾驶员风险融合的危险情境筛选方法。训练期间，该方法将改进后的驾驶员风险场与动态成本模型相结合，以生成高质量的风险监督信号；推理期间，它直接通过快速前向传递预测情境级别的风险分数，避免逐帧风险计算，实现高效的大规模排序和检索。改进后的驾驶员风险场引入了新的风险高度函数和速度自适应前瞻机制，动态成本模型整合了动能、定向包装盒约束和高斯核扩散平滑，用于更精确的相互作用建模。我们进一步设计了风险轨迹跨注意力解码器，以联合解码风险和轨迹。在 INTERACTION 和 FLUID 数据集上的实验表明，所提方法产生更平滑、更具辨识力的风险估计。在 FLUID 数据集上，它实现了 0.792 的 AUC 和 0.825 的 AP，分别在 PODAR 上提高了 9.1% 和 5.1%，显示其在可扩展风险标注和危险情境筛选方面的有效性。
引用
@article{arxiv.2603.20232,
title = {Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving},
author = {Chen Xiong and Ziwen Wang and Deqi Wang and Cheng Wang and Yiyang Chen and He Zhang and Chao Gou},
journal= {arXiv preprint arXiv:2603.20232},
year = {2026}
}