知识卡片：CARA：概念感知风险注意力用于可解释的碰撞预测

• 英文标题：CARA: Concept-Aware Risk Attention for Interpretable Collision Anticipation
• 英文关键词：autonomous driving, collision anticipation, interpretability, concept-based attention, risk reasoning, spatio-temporal framework

一句话结论

CARA是一个内在可解释的时空碰撞预测框架，通过从事故叙述中提取领域相关的风险概念，并将其组织为动态概念轨迹来直接引导空间注意力和时间注意力，在提升预测准确率和预警及时性的同时，提供稀疏且语义可解释的风险证据。

事件概述或研究问题

自动驾驶中的碰撞预测不仅需要准确提前预警，还需要能够解释模型关注了哪些风险因素以及风险如何随时间演变。现有方法存在三类不足：特征驱动模型不透明，事后解释往往保真度低，基于概念的方法多针对静态识别而非动态驾驶场景。本文提出CARA，旨在实现内在可解释的碰撞预测，让语义概念直接参与预测过程而非作为辅助事后解释。

方法/产品要点

1. 概念提取与对齐：从事故叙述中推导领域相关的风险概念，通过视觉-语言相似性将概念与视频帧对齐，形成动态的概念轨迹。
2. 注意力引导：概念轨迹提供显式的风险证据，同时指导空间注意力（模型关注的位置）和时间注意力（风险如何随时间演变）以及最终的碰撞预测。
3. 内在可解释性：将语义风险因素视为动态中间证据，而非辅助事后解释，使可解释性与预测过程紧密结合。
4. 评估：在三个基准数据集上进行实验（具体数据集名称待核实）。

主要结果或产业意义

• 性能提升：CARA在三个基准上持续优于强基线方法，在预测准确率和预警及时性两方面均有改进。
• 可解释性：输出稀疏且语义化的概念证据，使人类能够理解模型关注的具体风险因素及其演变。
• 产业意义：为自动驾驶安全中的可解释AI提供了新范式，有助于建立信任和合规性。

为什么重要

• 不同于以往事后解释或静态概念方法，CARA首次实现了动态驾驶场景中概念引导的注意力和预测的耦合。
• 提供了可验证的风险推理链，对于自动驾驶系统的事故归因、调试和监管认证具有潜在价值。
• 与已有相关卡片中的框架不同，本工作聚焦于碰撞预测阶段的可解释性，而非规划决策或诊断。

局限与不确定性

• 概念是否完全覆盖所有真实驾驶风险场景有待核实。
• 框架对噪声帧或罕见事故叙述的鲁棒性尚未在材料中明确。
• 计算开销（如视觉-语言对齐的实时性）未在摘要中提及。
• 三个基准数据集的具体名称、规模及指标数值待从全文确认。

可用于图书/PPT/简报的角度

• 角度一：对比传统黑盒碰撞预测与CARA的可解释框架，强调“信任”对自动驾驶落地的关键作用。
• 角度二：以“从事故叙述中学习风险概念”为切入点，展示自然语言先验知识如何赋能视觉模型。
• 角度三：围绕“注意力机制的可解释化”，讨论空间和时间注意力如何被语义概念直接驱动。

原始材料

• 论文标题：CARA: Concept-Aware Risk Attention for Interpretable Collision Anticipation
• arXiv ID：2607.22494v1
• 作者：Zhishan Tao, Ruoyu Wang, Yucheng Wu, Enjun Du, Yilei Yuan, Sherwin Ho, Yue Su, Jinbo Su, Yi Hong
• 发表/更新日期：2026-07-24
• 类别：cs.MM, cs.CV
• URL：https://arxiv.org/abs/2607.22494v1
• 摘要原文（已在上文引用）