原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。

长尾驾驶情形安全评估：基于图神经网络的风险场模型

论文摘要

本文关注长尾场景下自动驾驶车辆的安全性问题。这类场景具有低频、高风险、强交互的特点，传统基于确定性假设的风险指标难以满足安全决策需求。作者提出 RiskNet 框架，通过物理场模型和概率轨迹预测结合，实现对多源风险的时空分布预测。该框架由两部分组成：一是多源交互风险场模型，基于力场理论刻画自车与周围目标及基础设施的相互作用；二是基于图神经网络（GNN）的多模态轨迹预测模块，学习周围交通参与者的未来运动分布并量化不确定性。两者耦合后，可在规划周期内动态推演风险演化，并输出场景自适应的风险热力图。实验表明，该方法在三个自然驾驶数据集（highD、inD、rounD）上显著优于 TTC、THW、RSS 等经典指标，具备较强的方向敏感性、响应性和泛化性。

一、研究背景与问题

1.1 长尾场景与复杂互动

• 长尾场景指历史数据中出现频率低但潜在危害大的驾驶情形，如高速紧急并线、遮挡后的行人突然出现、复杂交叉口冲突等。
• 统计数据显示，事故高发地点集中在两车道无隔离道路和三车道路段；乘用车与轻型卡车正面碰撞占比最高。
• 事故风险由道路结构×行为模式×车辆类型多维耦合产生，必须考虑车辆动力学、驾驶意图和基础设施等多源因素。
• 长尾场景下，驾驶行为呈现高度不确定性和多模态特征，单一的安全指标难以全面捕获风险。

1.2 现有方法的局限

传统风险评估方法主要分为三类：

• 运动学指标：如Time to Collision（TTC）、Time Headway（THW）等，通过假设恒定速度或加速度计算时间间隔，适用于结构化环境但在复杂城市情景中表现不足。
• 碰撞概率法：通过采样或概率密度估计计算碰撞概率，能考虑不确定性但计算量大、依赖精确轨迹数据。
• 人工势场法：将周围目标看作施加吸引或排斥力的源，风险大小与势场梯度相关。传统势场模型往往忽略方向异性、不能处理多模态行为和长时间预测，且多为确定性结构。

这些方法缺乏对多源耦合风险和行为不确定性的统一刻画，难以在长尾场景下提供及时、可靠的风险预警。

二、RiskNet 框架与方法

2.1 总体框架

RiskNet 由物理场驱动的多源风险场和GNN‑基多模态轨迹预测器组成。框架在两者之间建立耦合，使预测的轨迹分布驱动风险场随时间演化，实现对未来风险的概率化估计。工作流程如图 1 所示，包括以下几个步骤：

• 从感知模块获取周围车辆状态和场景信息，构建交互上下文。
• GNNs‑基预测器对每个交通参与者进行时空编码，输出多个未来轨迹及其概率分布。
• 不确定性修正模块利用扩展卡尔曼滤波器（EKF）生成连续时间轨迹并估计协方差。
• 将预测轨迹输入风险场模型，计算各时刻各模式下的能量和力，并进行方向调整。
• 综合所有模式得到概率风险图，为决策提供输入。

图 1 展示了框架的结构和典型场景示意。

2.2 物理场驱动的多源风险场建模

该部分基于物理场理论刻画自车与多目标、多基础设施之间的交互。关键要点如下：

• 交互主体集合：在包含  个参与者的场景中，用  表示所有交通主体。

• 交互能量：自车  与目标  的碰撞能量用

  其中  和  分别为质量和速度向量， 表征目标  的危险程度， 考虑限速、信号和车道边界等环境因子。多个目标影响叠加后得到总能量。

• 交互力场：风险视为作用力场，力的大小为能量除以距离：

  总力为所有相互作用叠加。

• 方向异性修正：引入多普勒效应解释运动目标的方向性影响。相对频率关系为

  当目标迎面而来时，风险感知更强。

  进一步定义纵向调整系数

  横向衰减系数 。最终方向系数 ，综合得到方向敏感的风险场：

  该公式强调前方威胁、减弱横向干扰。

• 解释性与普适性：此模型支持多目标、多方向、多场景的风险评估，并可与预测轨迹耦合实现时序推演。

图 2 为多普勒效应示意，展示不同方向运动目标对风险场的影响。

2.3 基于图神经网络的多模态轨迹预测

为了在较长时间范围内量化行为不确定性，作者构建了 GNN‑ODE 混合模型（图 3）。模型包含以下模块：

• 场景图构建：在时刻 ，针对自车  构造局部交互图 ，节点集  包含自车和范围内邻车，边集  描述空间邻近或相对运动关系。

• 图‑门控循环单元编码器：针对每个历史时间步，通过图 GRU 聚合邻居信息，更新节点的动态表示。重置门  与更新门  控制历史信息的保留与更新，候选隐藏状态用  函数计算。

• 注意力解码器与多模态输出：多头注意力对历史表示加权，生成控制输入序列，通过神经微分方程（Neural ODE）与 EKF 生成连续时间轨迹和协方差。

• 输出格式：模型输出包含多个轨迹模式的概率分布：

  其中  表示第  个模式的概率， 与  为位姿和协方差。训练采用负对数似然损失，促使预测准确且不确定性校准。

图 3 给出了多模态轨迹预测网络的结构示意图。不同颜色的轨迹代表不同的预测模式及其概率权重。

2.4 概率化风险预测与融合

将预测的轨迹与物理风险场耦合，得到时间演化的概率风险：

• 速度估算：对离散轨迹利用中心差分估计瞬时速度：

  进而计算各模式的相对角度 。

• 期望风险：对每个参与者的多模式风险场求概率加权平均：

  多目标总体期望风险为

  最终在规划时间窗内通过时间权重  计算累计风险：

  该指标既考虑了不确定性随时间增长的影响，也体现了风险演化的连续性。

• 解释能力：概率风险图能够显示不同潜在路径下的高风险区域，比单一的确定性场更全面地反映潜在冲突。

图 4 展示了概率风险图与确定性风险图的对比，红色越深表示预测风险越高。可见概率图覆盖更广的潜在路径，从而支持早期预警。

三、实验设计与结果

3.1 数据集与实验设置

作者在三个自然驾驶数据集上验证了 RiskNet 框架：

• highD：德国高速公路场景，包含约 110,000 条车辆轨迹，涵盖自由流、拥堵与变道情况。
• inD：包含四个城市交叉口，约 11,500 条轨迹，涉及车辆、行人、自行车等弱势交通参与者。
• rounD：收集不同尺寸环岛的车辆轨迹，记录进出环岛时的速度与变道行为。

实验从这些数据集中抽取典型高风险情境（紧急并道、交叉口冲突、环岛插入等）构建测试集，采用统一的标注和评估标准。

3.2 确定性场景结果

在 deterministic 模式下，仅使用物理风险场进行评估。主要观察包括：

• 车道变更：自车变道时，与前后多辆车的相对速度差和横向距离导致风险陡增；模型能够及时捕捉纵向和横向风险峰值。
• 交叉口转弯：右转、合流和左转让行时，自车受到来自各方向的干扰。模型准确识别行人横穿、邻车加速等风险源，风险随接近交叉口而上升，在转弯完成后下降。
• 环岛：模型识别进环、出环和环内车辆的多方向威胁，风险在合流阶段急剧上升，在驶离后下降。

3.3 不确定性场景结果

在 probabilistic 模式下，结合 GNN 预测的多模态轨迹：

• 多模态预测性能：预测模块在多种情景下均能输出合理的主导模式，平均位移误差 0.44 m，终端误差 1.35 m，概率位移误差 0.26 m。负对数似然值显示不确定性估计一致。
• 概率风险图：与确定性风险图相比，概率地图覆盖多个潜在路径，能提前揭示高风险区域和行为歧义。
• 对比分析：在“高速度侧向插入”和“后车加速插入”两种场景下，概率图提前出现多热点，揭示可能的风险演化；确定性图仅反映单一路径，难以捕获意图变化。

3.4 与基线方法比较

RiskNet 与 TTC、THW、RSS、NC Field 等经典指标进行对比。评价指标包括命中率 (TPR)、误报率 (FPR)、预警提前时间 (TTW) 和触发持续覆盖率 (TDCR) 。结果如下表所示（表格仅列关键数值）：

RiskNet 在四项指标上均领先：准确识别大多数风险事件，误报率最低，预警时间最长且风险覆盖连贯，体现出综合优势。

3.5 性能与可扩展性

在 RTX 3090 GPU 上，RiskNet 推理耗时约 32 ms/frame，显著满足自动驾驶 25 Hz 的实时性需求；显存占用约 3.8 GB，可在并行或分布式系统中高效部署。

四、讨论与创新点

• 物理解释与概率推断结合：RiskNet 将力场模型与深度学习预测耦合，在物理可解释性与行为不确定性之间建立桥梁。
• 方向异性建模：借鉴多普勒效应，引入纵向和横向衰减系数，使风险场更符合交通语义，强调前方和反向威胁。
• 多模态轨迹预测融合 Neural ODE 与 EKF：在图神经网络的基础上，引入连续时间动态和卡尔曼滤波，实现轨迹分布的平滑演化和不确定性估计。
• 概率风险映射：通过对各模式加权形成期望风险，实现对未来风险的全面覆盖，并能根据权重调整预测窗口。
• 泛化性与实时性：在多种道路类型和交互场景下，RiskNet 展现出较强的泛化能力和实时计算性能，适用于实际自动驾驶系统。

五、结论与展望

论文提出的 RiskNet 框架针对长尾场景下自动驾驶风险预测的重要难题，成功实现了物理场建模与概率预测的融合。通过多源交互能量和方向修正，风险场能够精确刻画不同方向、不同类型参与者的风险贡献；通过 GNN‑ODE 的多模态轨迹预测，模型在捕捉行为不确定性和长时域意图方面表现出色。实验表明，该框架在识别风险事件、降低误报、提前预警等方面显著优于传统指标，是构建安全决策模块的重要基础。

未来工作将围绕以下方向展开：

• 传感器噪声与感知不确定性：考虑遮挡、误检和通信延迟等因素对风险评估的影响，提高系统鲁棒性。
• 与其他学习方法融合：探索将 RiskNet 与新兴基于 Transformer 或端到端规划模型结合，提升适应性。
• 闭环规划与控制：进一步研究利用风险场指导规划器规避高风险区域，实现风险驱动的决策与控制一体化。

通过这些延伸，RiskNet 有望在复杂交通环境中为自动驾驶系统提供更加可靠的安全保障。