面向自动驾驶的本体化风险评估与安全增强框架 OD-RASE
计算机视觉与模式识别
2026-03-09 v1
摘要
尽管自动驾驶系统在感知性能方面表现突出，但在处理稀有情况或复杂道路结构时仍存在局限。此类道路设施是为人类驾驶员设计的，安全改进通常仅在事故发生后才被引入。这一反应式方法对自动系统构成重大挑战，而自动系统需要主动风险缓解。为此，我们提出 OD-RASE 框架，通过检测引发交通事故的道路结构并将其关联到基础设施开发来增强自动驾驶系统的安全性。首先，我们基于专门的交通系统领域知识 formalized（正式化）一种本体。同时，我们使用大规模视觉语言模型（LVLM）生成基础设施改进提案，并采用本体化数据过滤以提升其可靠性。这一过程自动为改进提案在事故发生前的道路图像上标注，从而构建新数据集。进一步，我们引入基线方法（OD-RASE 模型），该模型利用 LVLM 和扩散模型同时生成基础设施改进提案及改进后道路环境的生成图像。我们的实验表明，本体化数据过滤能够实现对引发事故的道路结构及相应改进计划的高度准确预测。我们认为该工作有助于提升交通环境的整体安全性，并标志着自动驾驶系统更广泛采纳的重要一步。
引用
@article{arxiv.2603.05936,
title = {OD-RASE: Ontology-Driven Risk Assessment and Safety Enhancement for Autonomous Driving},
author = {Kota Shimomura and Masaki Nambata and Atsuya Ishikawa and Ryota Mimura and Takayuki Kawabuchi and Takayoshi Yamashita and Koki Inoue},
journal= {arXiv preprint arXiv:2603.05936},
year = {2026}
}
备注
Accepted ICCV2025