在自动驾驶技术快速发展的背景下，确保预期功能的安全性（SOTIF）已成为实现安全可靠自动驾驶系统的关键前提。车辆运行过程中的风险感知和评估是系统性能的核心组成部分。其目标是准确检测潜在的风险信号，如即将发生的冲突和碰撞威胁，以促进高效的决策和稳健的控制。有效的风险识别不仅有助于提高道路安全，也是生成自动驾驶系统中安全和自适应驾驶行为的基础。因此，在复杂、动态和多智能体交通环境中开发高效、可靠且可解释的风险评估方法已成为学术界和工业界研究的关键领域。
现有的研究已经建立了丰富的交通风险建模和测量方法论框架。基于时间的运动学指标被广泛用于纵向冲突评估，例如碰撞时间（TTC）（Lee, 1976）及其衍生指标，包括暴露时间TTC（Minderhoud和Bovy, 2001）、避免碰撞所需减速（Wang和Stamatiadis, 2013, Archer, 2005）。这些措施在相对简单的跟车条件下能有效捕捉纵向交互的风险。为了应对更复杂的交叉和倾斜冲突，提出了扩展指标，如侵入后时间（PET）（Cooper, 1984, Allen等人, 1978）、越车道时间和二维TTC（Gibson和Crooks, 1938）。然而，现实世界交通的高度动态和交互性质大大降低了这些指标在涉及横向并行驾驶、非交道路线或多车辆交互场景中的适用性。为了克服这些缺点，场论风险模型（如安全场（SF）（Wang等人, 2014, Wang等人, 2016, Zheng等人, 2021）和驾驶员风险场（DRF）（C. Chen等人, 2025, Kolekar等人, 2020a, Kolekar等人, 2020b）通过虚拟势场或空间风险分布来表示车辆间交互。同时，基于网格的概率方法对环境进行离散化以量化风险。然而，这些方法主要依赖于瞬时动态状态，它们在精确捕捉横向冲突方面仍存在局限性（C. Chen等人, 2025, Mei等人, 2025），并且经常带来较大的计算开销，限制了它们的实时应用。
除了经典指标之外，最近的研究试图通过显式预测本车和周围车辆的未来轨迹并从时间对齐的配对状态来评估风险，从而增强对多车辆交互的描述（Damerow和Eggert, 2014, Cong等人, 2023）。尽管这种基于预测的框架提供了更精细的动态交互表示，但它们通常依赖耗时的多轨迹采样或高维网格评估，这引发了关于计算可扩展性和实时系统部署可行性的担忧。此外，大多数现有方法缺乏统一的标量风险度量标准，无法将意图不确定性与碰撞可能性和物理后果一致地结合起来，使得调整警报阈值和提供可操作的安全警告变得困难。这些限制促使我们开发了一个风险评估框架，该框架能够（i）以计算上轻量级的方式筛选出与交互相关的参与者，（ii）通过概率轨迹预测传播意图不确定性，（iii）产生适合在线决策支持的物理可解释、随时间演变的风险指标。
为了解决上述限制，本文提出了UIRAM，这是一个明确考虑交通参与者意图不确定性的风险量化和评估框架。该方法首先通过设计一个简化的二维高斯冲突域来识别具有潜在未来交互的车辆作为碰撞候选者，从而减少计算复杂性。随后，使用一个考虑不确定性的意图预测网络整合环境背景和交互特征，生成考虑不确定性的概率未来轨迹分布来模拟车辆交互行为。最后，通过将碰撞概率估计与适当的损失函数融合来计算每个候选车辆的风险值，以最大风险值作为全局风险指标。该框架能够在保持高计算效率的同时实现跨场景的可解释风险感知和评估，从而为自动驾驶系统提供稳健的安全关键决策支持。
本研究的贡献总结如下：
- •
我们开发了一个轻量级的二维高斯冲突域模型，用于交互感知的候选者筛选，该模型编码了各向异性的空间敏感性，并在下游风险评估之前有效过滤出与碰撞相关的参与者。
- •
我们设计了UITP-Net，这是一个考虑不确定性的轨迹预测网络，它结合了本车运动历史、社交交互线索和场景背景，在预测范围内生成校准的概率轨迹分布。
- •
我们构建了UIRAM，这是一个统一的概率风险度量标准，它将意图不确定性转化为碰撞概率，并进一步将其与基于能量的后果建模相结合，使得在复杂的交互场景中进行可解释和主动的风险量化成为可能。
本文的其余部分结构如下：第2节回顾了现有文献并指出了当前的研究空白。第3节介绍了考虑不确定意图的提出的风险评估方法，该方法包括四个组成部分：潜在碰撞候选者的检测、不确定轨迹的预测、碰撞概率的计算以及碰撞风险的估计。第4节通过定性和定量分析提供了所提出风险推理方法的实验验证，并通过与多个 established 风险指标的比较进一步证明了该方法的优越性。
