MILD：面向人车协作、具备双向感知与多层对齐的中介智能体系统

先前研究报告称，部分驾驶自动化会增加人类驾驶员的认知负担。这一效应主要源于人类驾驶员对车辆意图与决策逻辑缺乏透明的洞察，以及自动驾驶系统对驾驶员动态状态与偏好的感知有限。这种双向错位削弱了共享情境感知，并加剧了人车交互中的协调失败。为解决这些局限，我们主张一场范式转变，将人类角色从被动监督者提升为主动管理者。我们提出Mediator-in-the-Loop-Driving（MILD）系统，基于智能体系统架构促进人车协同协作。MILD将用于舱内与舱外联合理解的感知智能体，与生成合规且可解释动作建议的轻量级策略智能体相集成。为确保这些策略严格符合安全法规与人类价值观，我们开发了证据与约束加权策略优化（ECPO）。ECPO利用自动验证器引导智能体产生不仅准确、而且结构完整、有证据支撑且不违反约束的行为。此外，检索增强生成模块将来自交通法规、速度建议与驾驶员偏好的约束动态纳入决策回路。在三个开放数据集上的实地实验表明，在可审计的离线指标下，MILD在感知精度与策略质量上均持续优于基线，并在人工评价的策略充分性、舒适度与解释性上高于基线。这项工作为构建可审计且对齐的人车协同驾驶智能体提供了切实可行的路径。