Operating Within the Operational Design Domain: Zero-Shot Perception with Vision-Language Models
本文通过对操作设计域（ODD）分类与检测开展实证研究、分析优化策略，并识别出以角色分解为基础的定义锚定思维链提示法为安全关键应用中实现安全且具适应性的感知之最有效途径，从而评估了视觉 - 语言模型作为自动驾驶系统零样本“操作设计域传感器”的有效性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个非常聪明、博览群书的机器人如何驾驶汽车。你并不希望机器人仅仅“看到”红灯；你希望它理解道路的整个上下文。下雨了吗？路面是碎石还是沥青？是否有褪色的黄色标线？标志牌是否被泥土覆盖？
在自动驾驶汽车的世界里，这套特定的规则和条件被称为运行设计域（ODD）。可以将 ODD 视为机器人的“舒适区”。汽车只应在处于这个舒适区内时行驶。如果天气变得过于恶劣，或者道路变得过于怪异，机器人需要立即知晓并安全停车。
问题在于，教机器人识别每一种可能的路况通常需要在数百万张特定照片上进行训练，这既耗时又昂贵。
这篇论文提出了一个重大问题：我们能否利用一个已经对世界有诸多了解的“超级大脑”机器人（称为视觉 - 语言模型），只需询问它观察道路并告诉我们是否安全，而无需任何特殊训练？
以下是研究人员如何通过一些简单的类比来测试这一点的：
1. “专家小组”与“通才”
研究人员尝试了不同的方式来向机器人提问。
- 通才方法：他们向机器人展示一张图片，并问：“你看到了什么？”（这就像让街上的随机路人描述一份复杂的法律文件）。
- 专家小组方法（角色分解）：他们告诉机器人：“想象你是一个由五位专家组成的团队，正坐在一个房间里。一位是天气专家，一位是标志专家，一位是道路标线专家，等等。”他们要求每位“专家”查看图片，并仅报告其特定职责范围内的内容。
- “逐步思考”方法（思维链）：他们告诉这些专家：“不要只是猜测。首先看天空。然后看地面。然后在你说‘下雨’之前，先解释为什么你认为在下雨。”
结果：被要求“逐步思考”（思维链）的“专家小组”在发现细节方面表现最佳。他们就像一支反复核对工作的侦探团队，而不是一个急于猜测的单人。
2. “试驾”
研究人员创建了一个名为ODD-TAX-232的自定义测试集。想象这是一本包含 232 个特定页面的相册，每一页都展示了一个棘手的道路状况（例如褪色的限速标志或一片冰面）。他们将这些照片展示给四个不同的“超级大脑”机器人（GPT-4o、Gemini 2.5 Pro、Llama 4 和 Molmo），并要求它们识别这些状况。
- 大型机器人（GPT-4o 和 Gemini）：这些是最可靠的。它们正确识别了约**73%**的棘手细节。它们就像那些很少遗漏线索但并非完美的资深侦探。
- 小型机器人（Llama 和 Molmo）：这些的准确度低得多，仅正确识别了约45-67%。它们就像经常遗漏微妙线索的初级侦探。
3. “地图”与“细则”
研究人员还在一张标准且知名的世界地图（Mapillary Vistas）上测试了这些机器人。
- 令人惊讶的是：这些机器人在标准地图上的表现（正确率超过 90%）远好于在它们自定义的“棘手”测试中的表现。
- 为什么？ 标准地图包含容易、常见的事物，如“一辆车”或“一栋建筑”。而自定义测试则包含“细则”类的内容，如“特定类型的褪色道路标线”或“微妙的天气状况”。
- 教训：仅仅因为一个机器人擅长识别常见事物，并不意味着它已经准备好处理自动驾驶汽车所需的安全关键性、细粒度的细节。
结论
该论文得出结论，这些“超级大脑”机器人前景广阔，但尚未准备好独自驾驶。
- 它们对于驾驶座来说风险太大：在棘手细节上 73% 的成功率意味着机器人可能会遗漏危险状况（如黑冰）并继续行驶，这是不安全的。
- 它们非常适合担任“安全检查员”的角色：然而，它们在汽车出发前检查地图，或在模拟中审计道路状况方面表现出色。它们可以帮助人类发现那些可能危险的“细则”。
简而言之：你可以将这些 AI 模型用作非常聪明的助手，帮助你检查道路是否安全，但你不应该让它们现在就独自驾驶汽车。当道路状况变得怪异时，它们需要人类来复核它们的工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。