G-MARK：基于知识图谱的协作驾驶多智能体推理框架

G-MARK 是面向协作驾驶的多智能体推理框架，将协作的物体级观测转换为显式知识图谱，保留来源归属、可见性、不确定性等信息。相比现有最佳基线，遮挡推理准确率提升42.2%，控制选择错误降低13.1%，轨迹预测精度相当，结构化通信负载减小25.6倍，代码已开源。

现有协作驾驶方法通常将多智能体证据压缩为潜在特征，难以解释每个对象由谁观测、是否可见以及冲突证据如何影响决策。G-MARK 通过显式知识图谱保留来源归属和不确定性，显著提升遮挡推理与控制选择的可靠性，为自动驾驶安全决策提供了新的可解释范式。

G-MARK 将各智能体的物体级观测转化为带来源归属的知识图谱，显式编码对象假设、可见性、冲突和空间关系。随后从图中推导共享特征表示，供轻量级任务头完成推理与预测，从而在保留关键信息的同时减少通信冗余。知识图谱的结构化特性使信息更密集，通信负载更小。

对自动驾驶研发团队而言，G-MARK 提供了一种可解释的协作感知框架，有助于提升遮挡场景下的安全性。其压缩通信负载的能力能降低车对车通信带宽需求，利于实际部署。但框架依赖知识图谱构建，可能增加计算开销，需在嵌入式平台上优化。

• 集成 G-MARK 到自动驾驶协作感知模块，实现遮挡场景下的高精度推理。
• 基于其知识图谱表示，开发可解释的驾驶决策审查工具，便于安全验证。
• 优化知识图谱构建与推理效率，适配车规级硬件。
• 探索将 G-MARK 用于 V2X 通信协议设计，降低带宽占用。

• G-MARK 在真实道路环境下的性能与鲁棒性尚未有证据。
• 其知识图谱构建和维护的计算开销是否符合实时性要求未知。
• 与其他协作驾驶方法相比，在异质车队或通信延迟下的表现不明。