安全对齐的 3D 目标检测：单车、协同与端到端视角
计算机视觉与模式识别
2026-04-07 v1 人工智能
机器人学
摘要
感知在网联自动驾驶汽车 (CAV) 中扮演着核心角色，它不仅支撑着传统的模块化驾驶栈，也支撑着协同感知系统和最近的端到端驾驶模型。虽然深度学习极大地提高了感知性能，但其统计特性使得完美的预测难以实现。同时，标准的训练目标和评估基准平等对待所有感知错误，尽管只有一部分是安全关键的。在本文中，我们研究了针对 3D 目标检测的安全对齐评估与优化，以显式表征高影响错误。基于我们先前提出的安全导向指标 NDS-USC 和安全感知损失函数 EC-IoU，我们做出了三项贡献。首先，我们对跨不同神经网络架构和传感模态的单车 3D 目标检测模型进行了扩展研究，表明在 mAP 和 NDS 等标准指标下的增益可能无法转化为以 NDS-USC 为代表的安全导向标准。通过 EC-IoU，我们再次确认了安全感知微调在改善安全关键检测性能方面的益处。其次，我们对车-路协同目标检测模型进行了以自车为中心的安全导向评估，强调了其相对于纯车辆模型的优越性，并展示了一项安全影响分析，说明了协同模型对“零死亡愿景”的潜在贡献。第三，我们将 EC-IoU 集成到 SparseDrive 中，并表明安全感知的感知强化可以在端到端的感知到规划框架中直接降低近 30% 的碰撞率并提高系统级安全性。总体而言，我们的结果表明，安全对齐的感知评估与优化为在单车、协同和端到端自动驾驶环境中增强 CAV 安全性提供了一条切实可行的路径。
引用
@article{arxiv.2604.03325,
title = {Safety-Aligned 3D Object Detection: Single-Vehicle, Cooperative, and End-to-End Perspectives},
author = {Brian Hsuan-Cheng Liao and Chih-Hong Cheng and Hasan Esen and Alois Knoll},
journal= {arXiv preprint arXiv:2604.03325},
year = {2026}
}
备注
10 pages, 9 figures, 6 tables