算法融合人类经验提升智驾性能，清华研究揭示人类与智驾算法视觉注意力的本质差异

2 月 21 日消息，清华大学智能产业研究院（AIR）今日宣布，其团队在自然子刊《npj Artificial Intelligence》上发表研究，揭示了人类与智驾算法视觉注意力的本质差异。

清华 AIR 团队通过对比 36 名驾驶员（18 名专家 / 18 名新手）的眼动数据与算法表现，首次量化人类驾驶注意力的三阶段模型。实验要求参与者完成危险检测、可用性识别及异常检测三类任务，数据显示人类任务准确率分别为 0.88、0.86 和 0.98。

研究将人类视觉注意力划分为扫描（刺激驱动）、检查（语义评估）、重新评估（任务驱动）三阶段，其中检查阶段平均持续 705.75 毫秒（专家）和 622.52 毫秒（新手）。当将该阶段注意力特征融入 AxANet 等算法后，异常检测准确率从 0.724 提升至 0.736，轨迹规划误差降低 11.1%（0.72 米 → 0.62 米）。在视觉语言模型测试中，仅细粒度任务（如 3D 描述）因存在“接地鸿沟”获得显著提升。

清华研究人员指出，算法难以自主获取人类通过经验赋予的语义优先级能力。研究提出双阶段伪注意力生成方案，仅需 5 名驾驶员眼动数据即可实现算法优化，使中等规模模型（59.10M 参数）无需大规模预训练即可提升语义理解能力。该方案已在 UniAD 等车载实时系统验证可行性。

附论文地址：https://doi.org/10.1038/s44387-026-00079-1