基于动作条件 VLM 的自动驾驶语义异常监测研究

研究提出一种动作条件视觉语言模型（VLM）监测方案，用于识别自动驾驶在语义异常场景中的不当行为。 方案通过比较场景预期动作与实际自车轨迹判定异常，在两阶段协议中于 235 个片段上实现 83.0% 准确率及 0.773 异常召回率。 该方法优于仅基于视频的单阶段基线，为提升复杂场景下的自动驾驶安全监测提供了技术路径。