安全的自动驾驶运动规划需要预测随时间演化的交通风险，并在必要时决定是否更换当前的规划轨迹。我们提出 RiskWorld，一种面向共享占用预测和选择性轨迹替换的风险感知世界建模框架。\ \ 框架首先将空间风险场、时间演员上下文与视觉鸟瞰图特征进行融合。随后利用 流引导演化 将占用图和场景特征随时间平移，并通过 符号残差 对平移后的占用进行校正，得到更精确的占用预测。每个规划步仅生成一次预测，并在所有候选轨迹之间复用，从而显著降低计算开销。\ \ 对每条候选轨迹，计算其与当前状态持久性参考的碰撞得分修正：$$C = \max(0, S_{cand} - S_{ref})$@@@MATH_BLOCK1@@@S{cand}@@@MATH_BLOCK2@@@S{ref}$ 为参考轨迹的得分。若额外预测的风险触发干预且有备选轨迹在预测风险和轨迹误差两方面均满足约束，则用该备选轨迹替换当前轨迹；否则保持原有几何形状不变。\ \ 我们在 nuScenes 数据集上进行开放环路评估，使用相机特征、标注得到的当前与历史演员状态以及数据集提供的地图信息。RiskWorld 在 3 秒长评估时段内实现了最低的碰撞率，并在多种最新基线中取得第二低的平均 L2 误差。模型参数 90.81M，单卡 RTX 4090 实时率 11.5 FPS。消融实验表明，RiskWorld 相比仅基于当前状态重新打分的基线显著降低碰撞率，而预测复用使得在低边际计算成本下评估更多候选轨迹成为可能。\ \ 点评