摘要
自动驾驶车辆日益需要超越感知本身的能力，向情境理解、语义推理和可解释决策制定发展。知识图谱（KGs）通过将异构传感器数据、交通法规、领域知识和上下文信息整合到统一的语义框架中，已成为一种极具潜力的解决方案。本综述基于 PRISMA 2020 指南，对 2018 年 1 月 1 日至 2026 年 1 月 31 日期间发表的文献中识别出的 47 项同行评审研究进行了分析，系统性地考察了自动驾驶中基于知识图谱的智能推理。研究结果表明，情境场景理解和基于本体的表示目前在该领域占主导地位，其中 66.0% 的研究将知识图谱与深度学习方法相结合。分别在 38.3% 和 34.0% 的出版物中发现了神经符号方法和可解释人工智能组件，表明对混合和透明人工智能架构的研究兴趣日益增加。分析进一步显示，80.9% 的研究仍局限于基准数据集和模拟环境，而只有 19.1% 提供了现实世界验证，这表明技术成熟度相对较低，产业化就绪度有限。尽管与传统的以感知为中心的架构相比，基于知识图谱的方法在情境感知、隐藏危险预判和可解释性方面有了显著改善，但在可扩展性、本体互操作性、语义错误传播、实时推理和认证要求方面仍存在主要挑战。本综述指出，知识图谱、大语言模型和神经符号人工智能的融合是下一代自动驾驶系统的一个富有前景的方向。因此，未来研究应侧重于不确定性感知推理、自适应可解释性、标准化评估方法以及面向认证的现实世界部署策略。
