隨著智能化技術的發展，駕駛輔助系統(ADAS)正從單純的目標識別，逐步向對復雜交通場景的理解與風險預判能力演進。近年來，生成式人工智能(Generative AI)與視覺語言模型(VLM)的發展，為車輛環境感知提供了新的技術路徑。圍繞這一方向，電裝正推進相關技術開發，通過生成式AI提升駕駛輔助系統對道路風險的識別與分析能力。

　　從目標識別到場景理解

　　在真實道路環境中，交通風險并不總是直接可見。車輛、行人、自行車等交通參與者可以通過圖像識別技術進行檢測，但其行為意圖以及可能產生的潛在風險，則往往需要結合交通環境與場景關系進行綜合判斷。

　　例如，在交叉路口附近，接近的車輛是否可能并線、停靠車輛后方是否可能出現行人等情況，都是駕駛過程中需要提前關注的風險因素。這類判斷不僅依賴于對物體的識別，還需要對整體交通場景進行理解。

　　傳統視覺識別模型在物體檢測和分類方面已經具備較高能力，但在復雜場景語義理解方面仍存在提升空間。基于此，電裝在技術開發過程中引入生成式AI模型，通過結合圖像信息與語言理解能力，對交通場景進行更深入的語義分析。

　　通過生成式AI進行風險推測

　　在技術開發過程中，團隊將風險識別任務拆分為兩個層面：

　　一是對圖像中已經出現的交通參與者進行識別與狀態判斷，即“顯性風險識別”;

　　二是結合道路環境和場景信息，對可能出現的潛在危險進行推測，例如遮擋區域或可能發生的合流、突發行為等，即“潛在風險預測”。

　　在此基礎上，模型不僅需要識別交通參與者，還需要以自然語言形式描述風險類型及其原因，并生成相應的駕駛策略提示。

　　在此基礎上，系統能夠在傳統視覺識別基礎上進一步理解交通場景的語義關系，從而對潛在風險進行更加全面的判斷。

　　構建更接近人類駕駛邏輯的模型評估

　　在模型開發過程中，電裝對多種生成式AI模型進行了性能評估，并通過圖像識別基準數據集開展對比測試。

　　研究團隊發現，傳統基于詞序匹配和詞頻統計的自然語言評價方法，在評估交通場景描述時難以充分反映語義層面的理解能力。因此，在評價體系中引入了基于語義相似度的評估方法，以更準確地衡量模型生成內容與場景描述之間的語義一致性。

　　同時，為提升訓練數據質量，研究團隊邀請多名標注人員對同一交通場景進行獨立描述，并在此基礎上建立參考標準。通過綜合不同表達方式中的共性信息，模型在語義理解層面能夠更加接近人類駕駛員的判斷邏輯。

　　面向車載環境的系統優化

　　在完成模型訓練與驗證后，研究團隊還對算法進行了面向車載應用的優化。由于車載系統在計算資源與功耗方面存在特定條件，相關算法需要針對車載計算平臺進行適配。

　　為此，電裝通過模型量化等技術手段對生成式AI模型進行優化，以適應車載SoC的運行環境，并對處理效率和系統運行穩定性進行了綜合驗證。

　　通過相關技術開發，生成式AI與視覺識別技術的結合，正為駕駛輔助系統能力提升提供新的技術路徑。

　　推動駕駛輔助技術向風險預判發展

　　在復雜交通環境中，許多潛在風險往往隱藏在場景關系和行為變化之中。如何從“識別目標”進一步發展到“理解場景、預測風險”，正成為駕駛輔助技術的重要發展方向。

　　通過將生成式AI與視覺識別技術相結合，電裝正在推進更加貼近人類駕駛經驗的風險識別方法研發，使系統不僅能夠識別道路環境中的交通參與者，還能夠對潛在風險進行提前判斷，為更加安心的移動出行環境創造新的價值。

　　電裝公司簡介

　　電裝是世界先進的汽車零部件生產廠家之一。在美國《財富》雜志發布的2025年世界500強企業中排名第325名。一直以來電裝都專注于電動化、組合輔助駕駛、智能網聯等技術創新、致力于解決汽車行業面臨的挑戰和社會課題。目前在全球廣泛應用的二維碼就是電裝在1994年發明并無償公開的。

　　在中國，電裝于1994年在煙臺成立了第一家合資生產企業。作為在中國的統括公司——電裝(中國)投資有限公司，成立于2003年，目前在國內設有生產公司、銷售公司以及軟件開發公司等共計30多家關聯企業。