面向驾驶行为理解：驾驶场景中的弱监督风险感知
计算机视觉与模式识别
2026-03-09 v1
摘要
实现零碰撞的智能驾驶系统仍是关键目标，这需要理解驾驶员的风险感知——这是一种复杂的认知过程，受驾驶员对外部刺激的自愿性反应以及周围路用者对自车注意力的影响。为支持这一领域的进展，我们引入了RAID（Risk Assessment In Driving scenes）——一个为研究驾驶员风险感知和情境风险评估而精心策划的大规模数据集。RAID包含4691个标注视频片段，涵盖多样化的交通场景，标注包括驾驶员的意图机动、道路拓扑、风险情境（如跨越行人）、驾驶员反应以及行人注意力。利用RAID，我们提出了一种弱监督风险目标识别框架，建模驾驶员意图机动与反应之间的关系，以识别潜在风险源。此外，我们分析了行人注意力在估计风险中的作用，并证明了所提数据集的价值。实验评估表明，我们的方法在RAID和HDDS数据集上分别比先前的SOTA方法提高了20.6%和23.1%。
引用
@article{arxiv.2603.05926,
title = {Towards Driver Behavior Understanding: Weakly-Supervised Risk Perception in Driving Scenes},
author = {Nakul Agarwal and Yi-Ting Chen and Behzad Dariush},
journal= {arXiv preprint arXiv:2603.05926},
year = {2026}
}
备注
Accepted to IV 2026