电装推进生成式AI在驾驶辅助系统中的应用

　　随着智能化技术的发展，驾驶辅助系统(ADAS)正从单纯的目标识别，逐步向对复杂交通场景的理解与风险预判能力演进。近年来，生成式人工智能(Generative AI)与视觉语言模型(VLM)的发展，为车辆环境感知提供了新的技术路径。围绕这一方向，电装正推进相关技术开发，通过生成式AI提升驾驶辅助系统对道路风险的识别与分析能力。

　　从目标识别到场景理解

　　在真实道路环境中，交通风险并不总是直接可见。车辆、行人、自行车等交通参与者可以通过图像识别技术进行检测，但其行为意图以及可能产生的潜在风险，则往往需要结合交通环境与场景关系进行综合判断。

　　例如，在交叉路口附近，接近的车辆是否可能并线、停靠车辆后方是否可能出现行人等情况，都是驾驶过程中需要提前关注的风险因素。这类判断不仅依赖于对物体的识别，还需要对整体交通场景进行理解。

　　传统视觉识别模型在物体检测和分类方面已经具备较高能力，但在复杂场景语义理解方面仍存在提升空间。基于此，电装在技术开发过程中引入生成式AI模型，通过结合图像信息与语言理解能力，对交通场景进行更深入的语义分析。

　　通过生成式AI进行风险推测

　　在技术开发过程中，团队将风险识别任务拆分为两个层面：

　　一是对图像中已经出现的交通参与者进行识别与状态判断，即“显性风险识别”;

　　二是结合道路环境和场景信息，对可能出现的潜在危险进行推测，例如遮挡区域或可能发生的合流、突发行为等，即“潜在风险预测”。

　　在此基础上，模型不仅需要识别交通参与者，还需要以自然语言形式描述风险类型及其原因，并生成相应的驾驶策略提示。

　　在此基础上，系统能够在传统视觉识别基础上进一步理解交通场景的语义关系，从而对潜在风险进行更加全面的判断。

　　构建更接近人类驾驶逻辑的模型评估

　　在模型开发过程中，电装对多种生成式AI模型进行了性能评估，并通过图像识别基准数据集开展对比测试。

　　研究团队发现，传统基于词序匹配和词频统计的自然语言评价方法，在评估交通场景描述时难以充分反映语义层面的理解能力。因此，在评价体系中引入了基于语义相似度的评估方法，以更准确地衡量模型生成内容与场景描述之间的语义一致性。