RiskWorld：面向自动驾驶风险识别的以对象为中心的潜在世界建模
RiskWorld: Object-Centric Latent World Modeling for Autonomous Driving Risk Identification
浏览论文内容
中文总结 AI 辅助
提出 RiskWorld 模型，以对象为中心的潜在世界建模，结合预训练视频表示与自车-对象历史，在 RiskBench 上实现 63.0% F1 和 2.1% 误报率，可有效识别自动驾驶风险。
中文摘要 AI 辅助
自动驾驶风险识别旨在确定哪个观测对象可能对 ego 车辆（自车）构成安全关键威胁。现有方法通常预测场景级事故、从自车行为间接推断风险对象，或在轨迹预测后应用几何检查，未直接利用预测的自车-对象关系进行风险源定位。我们提出 RiskWorld，一种以对象为中心的潜在世界模型，通过想象每个候选对象相对于自车的演化来识别风险。RiskWorld 将预训练的预测视频表示与结构化的自车-对象历史相结合，对观测到的交互进行情境化处理，并使用 RSSM 风格的潜在动力学将感知关系的对象状态滚动到未来。它将滚动结果解码为对象级风险分数，辅助未来关系和时间风险预测提供支持。推理仅使用截至当前时间的观测数据，而记录的未来数据提供训练监督。在 RiskBench 上，RiskWorld 实现了 63.0% 的最佳整体 F1 值和 2.1% 的最低误报率。进一步分析表明，学习到的滚动结果捕捉了关键事件前对象级风险的演化，而 RiskWorld 的选择在过滤后的观测下保留了规划关键信息。
英文摘要
Autonomous driving risk identification aims to determine which observed object is likely to become safety-critical to the ego vehicle. Existing approaches typically predict scene-level accidents, infer risk objects indirectly from ego behavior, or apply geometric checks after trajectory forecasting, without directly using predicted ego--object relations for risk-source localization. We propose RiskWorld, an object-centric latent world model that identifies risk from the imagined evolution of each candidate relative to the ego vehicle. RiskWorld combines pretrained predictive video representations with structured ego--object histories, contextualizes observed interactions, and rolls relation-aware object states into the future using RSSM-style latent dynamics. It decodes the rollout into object-level risk scores, supported by auxiliary future-relation and temporal-risk predictions. Inference uses only observations up to the current time, while logged futures provide training supervision. On RiskBench, RiskWorld achieves the best overall F1 of 63.0\% and the lowest false-alarm rate of 2.1\%. Further analyses show that the learned rollout captures the evolution of object-level risk before critical events, while RiskWorld's selections preserve planning-critical information under filtered observation.
