面向驾驶危险识别的自车中心风险表示学习

基于摘要分析。研究面向智能驾驶：给定自车视角图像，判断场景中是否存在威胁自车的危险。RiskRep 通过学习自车中心风险表示，为冻结的视觉语言模型（VLM）提供结构化危险线索，旨在缓解危险事件稀少、组合开放，以及通用 VLM 易受安全无关内容干扰的问题。 方法先构建自车中心图（VCG）：交通参与者作为节点并携带类别属性，其与自车之间的边编码相对位置、朝向和运动信息；随后通过共享编码与基于注意力的聚合形成紧凑表示，并使用场景级危险监督训练风险评分函数。为定位危险来源，方法借助该评分函数，通过反事实节点移除搜索风险相关子图，再将其转为结构化线索，引导冻结 VLM 完成最终判断。摘要未交代图属性的提取方式、具体损失、子图搜索策略及线索呈现格式。 作者基于 DrivingDojo 和 BDD100K 构建危险识别基准，并报告 RiskRep 在多种规模的 VLM 上均提升 Accuracy 和 F1，但摘要未给出具体数值、数据划分或对照配置。作者将对训练中未见危险组合的泛化归因于通用自车相对关系的建模；该结论所依赖的组合隔离协议、实验细节、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移思路是先以任务相关关系压缩输入，再以反事实移除筛选线索，而非直接让大模型判断原始观测。若用于 EEG，需先定义有生理或任务依据的通道、脑区或时间片节点，改造关系编码与线索接口；驾驶图中的显式对象关系不能直接等同于 EEG 关系。低信噪比、跨被试差异、小数据及节点移除造成的分布偏移都可能使评分失效。一个可检验的小实验是在固定 EEG 任务和跨被试划分下，对比完整关系图、评分选取子图与等规模随机子图，检验筛选是否带来稳定收益；相关 EEG 工作尚未检索确认。