NSF-HRPT：安全关键场景评估中的神经语义场与分层风险感知树

准确评估和预测安全关键场景中的风险对于自主驾驶系统至关重要。虽然现有的研究在碰撞预测方面取得了进展，但使用单目视觉输入准确量化风险水平仍然是一个挑战，因为多代理交互的复杂动态性和现实世界环境中的固有不确定性导致了这一问题。为了解决这些问题，我们提出了 NSF-HRPT，这是一个结合学习性感知和结构化推理的框架，用于定量的风险评估。我们的方法包括一个名为 Neural Semantic Field (NSF) 的模块，它从模拟数据中学习场景语义、轨迹预测和概率时间到碰撞（TTC）分布。在推理过程中，预训练的 NSF 作为 HRPT 的先验知识，使我们能够在并行计算和空间推理多代理风险方面实现高效处理。此外，我们引入了一个 Sim2Real 增强策略，该策略通过从基础模型中引入先验知识来改进现实世界的适用性，而无需重新训练。广泛的评估结果表明，我们的框架在合成基准上取得了最先进的性能，并在 TTC 估计准确性和风险定位精度方面实现了与现实世界数据集相比的竞争性、接近状态-前沿的结果。提出的算法为使用单目相机输入进行实时的风险意识提供了有效的解决方案。