本文探讨了图神经网络（GNN）与定性可解释图（QXG）在自动驾驶场景理解中的结合，提出了一种新颖的GNN架构，能够有效识别交通场景中的相关对象，实验结果表明其在对象识别任务中表现优异。

本文介绍了一种用于城市移动中场景理解的统一符号和定性表示——定性可解释图（QXG）。QXG利用时空图和定性约束从传感器输入中提取场景语义，为自动车辆的环境解读提供了可理解的场景模型。研究展示了QXG在自动驾驶背景下的转型潜力，通过将图与车辆行为相连接，阐明决策原理。这些解释服务于多种目的，包括通知乘客和警示弱势道路使用者，以及促进先前行为的后续分析。