北京
2月21日，據(jù)清華大學(xué)智能產(chǎn)業(yè)研究院消息，該院AIR團隊于2026年2月在國際學(xué)術(shù)期刊《npj Artificial Intelligence》發(fā)表了一項關(guān)于駕駛場景中人類與算法視覺注意力差異的研究成果。這項題為《駕駛?cè)蝿?wù)中的人類與算法視覺注意力》的研究，聚焦自動駕駛這一安全關(guān)鍵領(lǐng)域，首次采用"人類眼動追蹤實驗+算法對比驗證"的雙軌實驗設(shè)計，對人類駕駛員與智駕算法在視覺注意力機制上的根本分歧進行了系統(tǒng)性解析。
研究的核心貢獻之一，是建立了一套人類駕駛注意力的三階段量化劃分框架。在實驗環(huán)節(jié)，研究團隊招募了不同經(jīng)驗水平的專家與新手司機，分別完成危險檢測、可用性識別、異常檢測三類駕駛?cè)蝿?wù)，并結(jié)合眼動追蹤數(shù)據(jù)對注意力過程進行階段劃分。在此基礎(chǔ)上，團隊將各階段注意力分別融入AxANet、UniAD等專業(yè)自動駕駛算法以及DriveLM等視覺語言模型，進行對比驗證。
實驗結(jié)果揭示了一個關(guān)鍵發(fā)現(xiàn)：人類與智駕算法在視覺注意力上的核心差異并非體現(xiàn)在"空間定位"層面，而在于"語義理解"能力。人類駕駛員能夠依靠自上而下的認(rèn)知機制，對駕駛場景中的不同特征賦予語義優(yōu)先級——例如迅速識別出哪些目標(biāo)更具潛在風(fēng)險，而當(dāng)前的智駕算法難以自主習(xí)得這種語義顯著性提取能力。
研究進一步證實，將人類在"檢查階段"所體現(xiàn)的語義注意力融入算法后，能夠以較低成本有效彌補專業(yè)算法的"語義鴻溝"與大模型的"接地鴻溝"，且無需依賴大規(guī)模預(yù)訓(xùn)練。這一發(fā)現(xiàn)為自動駕駛算法的性能優(yōu)化提供了一條非規(guī)模化的新路徑，對于算力和存儲資源受限的車載實時系統(tǒng)部署而言，具有重要的實踐價值。
聲明：市場有風(fēng)險，投資需謹(jǐn)慎。本文為AI基于第三方數(shù)據(jù)生成，僅供參考，不構(gòu)成個人投資建議。
本文源自：市場資訊
作者：觀察君
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
