深度学习虽推动了事故预测技术的发展，但这些安全关键系统在现实扰动下的鲁棒性仍是重大挑战。研究发现，即便如CRASH等先进模型性能优异，在面对微小输入扰动时，其预测和潜在表征仍会表现出显著的不稳定性，这带来了严重的可靠性风险。 为解决此问题，研究团队提出了SECURE框架。该框架正式定义并强化了模型的鲁棒性，其核心建立在四个关键属性之上：预测空间的一致性与稳定性，以及潜在特征空间的一致性与稳定性。 SECURE提出了一种原则性的训练方法，通过多目标损失函数对基线模型进行微调。该方法旨在最小化与参考模型的差异，并惩罚模型对对抗性扰动的敏感性，从而系统性地提升模型的稳健表现。 在相关数据集上的实验表明，该方法不仅显著增强了对多种扰动的鲁棒性，还在干净数据上提升了性能，取得了先进的成果。这一进展为构建更可靠、稳定的自动驾驶安全系统提供了新的技术路径。