摘要

随着交通环境日益复杂，智能驾驶中的安全感知重要性不断提升。传统智能驾驶鲁棒感知方法主要通过引入异常数据进行模型训练，使深度神经网络自主学习应对异常情况的策略。然而，这类模型在面对多样且复杂的现实场景时，难以实现平滑适应。本文提出一种新型度量指标——Eloss，并设计了一种创新的训练策略，从异常检测的角度提升感知模型的能力。Eloss的构建基于对感知模型信息压缩层的机理分析。具体而言，受通信系统设计的启发，信息压缩网络的信息传输过程应满足两个核心期望：信息量保持稳定变化，信息熵持续降低。基于上述期望，可推导出Eloss指标，该指标在指导网络参数更新的同时，能够有效识别异常情况，且在保持模型性能的前提下具备高度敏感性。实验结果表明，当输入异常数据时，Eloss可偏离正常值超过100倍，并能对相似但类型不同的异常产生显著区分的输出值，充分验证了所提方法的有效性。相关代码将在论文被接受后公开获取。