- 现有**风险场(risk field)** 方法缺乏规划器对齐(planner-aligned)能力，难以提供早期、校准且类别感知的风险定位
- **自动驾驶风险识别** 中，不同代理（机动化车辆、弱势道路使用者VRU）的风险分布特性不一致，现有各向同性模型不够准确
- 缺乏标准化的定量评估基准，难以客观比较不同风险场公式的性能
- 需要一种可解释、模块化且能直接作为**模型预测控制(MPC)** 代价密度的风险表示方法
- 提出**MC-Risk**，在**鸟瞰图(Bird's-Eye-View, BEV)** 网格上构建多组件风险场，线性组合三个可解释模块
- **机动化代理场(motorized-agent field)**：融合黑箱多模态轨迹预测器与解析**高斯环(Gaussian-torus)**，其横向宽度随速度/曲率增长，高度随前瞻距离衰减
- **VRU风险场**：使用**前向偏置的各向异性核(forward-biased anisotropic kernel)** 替代各向同性行人斑块，对齐航向和速度
- **道路惩罚场(road penalty field)**：利用完整高清地图(HD-map)拓扑，施加越野惩罚和同向/反向的车道感知风险暴露
- **规划器对齐(planner-aligned)** 设计：风险场直接作为**MPC(模型预测控制)** 代价密度，无需额外训练即可实现风险感知轨迹生成
- **多组件可解释模块**：将风险分解为机动化代理、VRU、道路三部分，各自有物理可解释的构造（如高斯环宽度随速度/曲率调整）
- **首次标准化定量评估**：在**RiskBench碰撞子集** 上进行风险场公式的首个标准化评估，达到最佳总体风险定位和最早危险指示
- **类别感知(class-aware)**：对不同代理类型采用不同风险模型（如VRU的前向偏置各向异性核），提升风险定位精度
- 为自动驾驶风险识别领域提供了一种**可解释、模块化且规划器对齐** 的风险场范式
- 在标准基准RiskBench上取得**最佳风险定位** 和**最早危险指示**，验证了方法的有效性
- 提出**即插即用(plug-and-play)** 的规划接口，将风险场直接用作MPC代价密度，降低了风险感知运动规划的集成成本
- 通过线性组合三个可解释模块，增强了系统的**透明性和可信度**，有利于安全关键系统的部署