在自动驾驶领域，场景理解是系统决策的基础，通常依赖深度神经网络。然而，深度学习模型本质上是黑箱，其内部运作不透明，这在安全关键的自动驾驶环境中构成了严峻挑战。为了提升透明度和可信度，研究人员致力于开发可解释的自动驾驶感知系统，其中多任务视觉理解成为核心方向——即同时预测多个驾驶行为（如变道、刹车、加速等）并生成相应的解释。但一个关键的技术难题在于，不同任务的最优置信阈值往往不同，传统的固定阈值方法难以兼顾所有任务，导致某些任务表现不佳。
近日，一篇题为《超越固定阈值与领域特定基准：自动驾驶中的可解释多任务分类》的论文在arXiv上发布，作者Maryam Sadat Hosseini Azad和Shahriar Baradaran Shokouhi提出了一种系统性的解决方案。他们引入了一种全面的置信阈值敏感性分析方法，通过遍历不同阈值来评估每个任务的表现，从而为各个任务选择最优的决策边界。实验证明，这种自适应阈值选择方法能够显著提升多任务分类的F1分数，特别是在任务难度不一、数据分布不平衡的场景下。
除了方法论上的创新，该研究还贡献了一个新的数据集IUST-XAI-AD。这个数据集包含958张真实驾驶场景图像，每张图像都经过人工标注，不仅标注了驾驶决策，还附带了决策背后的推理过程。与现有数据集相比，IUST-XAI-AD提供了更复杂、更具挑战性的测试环境，并且特别考虑了不同文化和地域的驾驶行为差异。例如，不同国家的驾驶员在并线、礼让行人等行为上存在显著差异，而该数据集有助于捕捉这些跨文化特征。
综合来看，这项研究的意义在于：它不仅通过自适应阈值方法提高了模型的可解释性和性能，还通过IUST-XAI-AD数据集为跨文化自动驾驶研究提供了宝贵资源。这些成果有望加速开发出更安全、更可靠且能适应全球不同驾驶环境的自动驾驶系统。该论文已被收录于arXiv（编号2605.04299），并于2026年5月提交。