ADAS新范式！北理&清华MMTL-UniAD：多模态和多任务学习统一SOTA框架（CVPR'25）

主要观点总结

本文提出一个统一的多模态多任务学习框架MMTL-UniAD，用于识别驾驶员情绪、驾驶员行为、交通环境与车辆行为。通过多轴区域注意力网络和双分支多模态嵌入模块，缓解多任务联合学习中的负迁移现象，在AIDE数据集上实现优越性能。

关键观点总结

关键观点1: 研究背景

现有研究往往忽视驾驶员状态与交通环境联合感知带来的优势，本文旨在通过多任务学习框架解决这一问题。

关键观点2: 方法介绍

提出MMTL-UniAD框架，包含多轴区域注意力网络和双分支多模态嵌入模块，用于提取任务共享和特有特征，缓解负迁移现象。

关键观点3: 核心创新点

介绍多轴区域注意力网络如何筛选与任务相关的特征，以及双分支多模态嵌入模块如何平衡任务共享和特有特征的协同作用。

关键观点4: 实验结果

在AIDE数据集上进行实验验证，MMTL-UniAD在多项任务上优于现有方法，消融实验表明驾驶员状态与交通环境任务联合学习的有效性。

关键观点5: 未来展望

预期MMTL-UniAD及其关键组件为ADAS场景下的多模态多任务学习研究提供有力基准，推动该领域的发展。

免责声明