以人为中心的自动驾驶神经认知奖励建模
计算机视觉与模式识别
2026-04-01 v2
摘要
计算机视觉的最新进展加速了自动驾驶的发展。尽管取得了这些进展，训练机器以符合人类期望的方式驾驶仍然是一个重大挑战。人类因素仍然至关重要，因为人类拥有复杂的认知系统，能够快速解读场景信息并做出准确决策。通过人类反馈强化学习（RLHF）对齐机器与人类意图已被广泛探索。传统的 RLHF 方法依赖于通过手动排序生成输出来收集人类偏好数据，这既耗时又间接。在这项工作中，我们提出了一种脑电图（EEG）引导的决策框架，将人类认知洞察融入自动驾驶的强化学习（RL）中，而无需中断行为响应。我们从 20 名参与者处收集了 EEG 信号，并在真实驾驶模拟器中分析了对环境突发变化的事件相关电位（ERP）。我们提出的框架采用神经网络，根据来自视觉场景信息的认知信息预测 ERP 的强度。此外，我们探索了将此类认知信息整合到 RL 算法奖励信号中的方法。实验结果表明，我们的框架可以提高 RL 算法的碰撞避免能力，突显了神经认知反馈在增强自动驾驶系统中的潜力。我们的项目页面是：https://alex95gogo.github.io/Cognitive-Reward/。
引用
@article{arxiv.2603.25968,
title = {Neuro-Cognitive Reward Modeling for Human-Centered Autonomous Vehicle Control},
author = {Zhuoli Zhuang and Yu-Cheng Chang and Yu-Kai Wang and Thomas Do and Chin-Teng Lin},
journal= {arXiv preprint arXiv:2603.25968},
year = {2026}
}