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。
 
同时，为提升训练数据质量，研究团队邀请多名标注人员对同一交通场景进行独立描述，并在此基础上建立参考标准。通过综合不同表达方式中的共性信息，模型在语义理解层面能够更加接近人类驾驶员的判断逻辑。
 
面向车载环境的系统优化
 
在完成模型训练与验证后，研究团队还对算法进行了面向车载应用的优化。由于车载系统在计算资源与功耗方面存在特定条件，相关算法需要针对车载计算平台进行适配。
 
为此，电装通过模型量化等技术手段对生成式AI模型进行优化，以适应车载SoC的运行环境，并对处理效率和系统运行稳定性进行了综合验证。
 
通过相关技术开发，生成式AI与视觉识别技术的结合，正为驾驶辅助系统能力提升提供新的技术路径。
 
推动驾驶辅助技术向风险预判发展
 
在复杂交通环境中，许多潜在风险往往隐藏在场景关系和行为变化之中。如何从“识别目标”进一步发展到“理解场景、预测风险”，正成为驾驶辅助技术的重要发展方向。
 
通过将生成式AI与视觉识别技术相结合，电装正在推进更加贴近人类驾驶经验的风险识别方法研发，使系统不仅能够识别道路环境中的交通参与者，还能够对潜在风险进行提前判断，为更加安心的移动出行环境创造新的价值。