通过定性场景理解和解释实现可靠的自动驾驶
内容提要
本文提出了一种名为定性可解释图（QXG）的方法，用于城市移动场景理解。QXG通过时空图和定性约束，从传感器数据中提取场景语义，支持自动驾驶车辆的环境解读，具备实时构建能力，提升决策透明度，服务于乘客通知和道路安全分析。研究表明，QXG在感知与控制中的应用潜力巨大。
延伸解读
QXG 如何提升自动驾驶决策透明度
QXG 通过时空图和定性约束从传感器数据中提取场景语义，构建可理解的场景模型。这种表示将图与车辆行为连接，阐明决策原理，使自动驾驶系统的决策过程更加透明。透明度对于乘客信任和道路安全至关重要，QXG 为此提供了一种符号化、可解释的途径。
实时递增构建带来的实用优势
QXG 具备实时递增构建能力，能够处理来自 LiDAR 和相机等不同类型传感器的数据。这种实时性使其适用于车内解释和实时决策，而轻量级存储则降低了计算负担。这些特性让 QXG 成为改进感知与控制过程的潜在工具，有助于在动态城市环境中快速响应。
QXG 的多重解释服务对象
QXG 生成的解释不仅服务于通知乘客，还能警示弱势道路使用者（VRUs），并促进对先前行为的后续分析。这种多用途性意味着 QXG 可以同时满足车内人员、车外行人和系统开发者的需求，从而在自动驾驶生态中发挥更广泛的作用。
Q&A
什么是定性可解释图（QXG）？
定性可解释图（QXG）是一种用于城市移动场景理解的统一符号和定性表示，能够从传感器数据中提取场景语义。
QXG如何支持自动驾驶车辆的环境解读？
QXG利用时空图和定性约束，从传感器数据中提取场景语义，帮助自动驾驶车辆理解周围环境。
QXG的实时构建能力有什么优势？
QXG具备实时递增构建能力，适用于不同类型传感器的车内解释和实时决策，提升了决策的透明度。
QXG在乘客通知和道路安全分析中有什么应用？
QXG的解释可以用于通知乘客、警示弱势道路使用者，并促进行为分析等多种目的。
QXG如何提升自动驾驶的决策透明度？
通过将图与车辆行为相连接，QXG能够阐明决策原理，从而提升自动驾驶的决策透明度。
QXG的轻量级存储对感知与控制过程有什么影响？
QXG的轻量级存储为改进感知与控制过程提供了潜在工具，能够提高系统的效率和可靠性。
