面向驾驶辅助中场景中心语义解释的双阶段LLM框架

高级驾驶辅助系统（ADAS）日益依赖基于学习的感知，但安全相关的失效常常在没有部件故障的情况下出现，其驱动因素是可观测性不足以及风险被解读与传达时的语义模糊。本文提出一个以场景为中心的框架，用于对城市驾驶情境中基于 LLM 的风险推理进行可复现的审计。从多模态驾驶数据构建确定性的、时间有界的场景窗口，并在固定的提示约束与封闭的数值风险模式（schema）下进行评估，确保跨模型输出结构化且可比较。在一个精选的近人（near-people）场景集上的实验，在相同输入与提示下比较了两个纯文本模型与一个多模态模型。结果揭示出模型之间在严重度判定、高风险升级、证据使用与因果归因上的系统性分歧。分歧还延伸到对弱势道路使用者在场的解读，表明这种变异性往往反映内在的语义不确定性，而非孤立的模型失效。这些发现凸显了在将基于 LLM 的推理集成进安全对齐的驾驶辅助系统时，以场景为中心的审计与显式模糊性管理的重要性。