从大规模离散评分推断自动驾驶中感知风险的演化

自动驾驶中的感知风险通常被测量为总结乘坐体验的离散分数，但这掩盖了短暂峰值与持续升高之间的区别。在此，我们将离散的片段评分视为对未观测到的推断演化的约束，并应用核约束逆模型来推断感知风险的时间演化。通过 2164 名参与者和 141628 个离散片段评分，涵盖 236 小时的脚本化高速公路交互，我们在核约束下推断演化，其形状遵循来自独立手持设备评分的先验，其时间由脚本化操作标记固定。推断出的感知风险演化区分了累积感知风险与片段内集中度，揭示了仅凭峰值判断无法识别的场景差异。然后，我们使用深度神经网络，在严格的事件级别保留验证下，从可观测的车辆和相对运动线索中映射这些推断的演化，从而实现可解释的归因分析。归因分析显示了风险上升和下降阶段之间的不同模式，在上升阶段转向冲突线索，而在下降阶段反弹回稳定性线索。归因集中度仅在高感知风险水平下适度增加。这些结果通过刻画脚本化高速公路交互中的事件内动态和相位依赖的线索关联，超越了将感知风险视为单一严重性评分的做法。