预测与抵抗：面向传感器噪声的长期事故预警

事故预警对于主动且安全的自动驾驶至关重要，甚至可以提前几秒就能启用关键的规避动作。然而，两个关键挑战阻碍了其在现实世界中的部署：（1）来自天气、运动模糊或硬件限制的噪声或退化感知输入，（2）需要发布及时且可靠的预测，平衡提前警报与误报抑制。我们提出了一个统一框架，将基于扩散的去噪与时序经验棱子模型集成以应对这些挑战。扩散模块通过迭代细化重构噪声鲁棒的图像和物体特征，保留了传感器退化下关键运动和交互线索。在平行中，经验棱子架构利用长期时序推理和时加权奖励，以确定发出警报的最佳时机，将早期检测与可靠性相结合。在三个基准数据集（DAD、CCD、A3D）上的实验表明，我们的方法在准确率和事故平均时间（mean time-to-accident）方面实现了最先进水平，同时在高斯噪声和脉冲噪声下保持稳健性能。定性分析进一步显示，我们的模型在常规和高度复杂交通场景中都能产生更早、更稳定且符合人类直觉的预测，凸显了其在安全关键部署中的潜力。