跳转至

基于物理基础的端到端驾驶规划器因果审计

文章背景与核心概要

端到端（E2E）自动驾驶规划器通过模仿学习进行训练，但往往会陷入“统计捷径”的陷阱。模型倾向于将场景中与专家决策共现的无关元素（如路边物体或建筑立面）与驾驶行为关联，而非学习真正决定驾驶行为的因果变量。这种因果混淆在长尾场景中严重威胁系统可靠性，且难以通过传统的开环指标（如L2位移和碰撞率）进行检测。

为了解决这一问题，本文提出了 CADET 框架。该框架无需昂贵的模型重训练，能够在不修改任何模型参数的情况下，对预训练的端到端驾驶规划器进行因果审计、基准测试和修复。CADET 通过引入物理基础的因果干预，有效识别并纠正了模型对虚假相关性的依赖，为提升自动驾驶系统的鲁棒性提供了新的技术路径。

文章详情

  • arXiv 标识符： arXiv:2606.14438 [cs.RO]
  • 学科分类： 机器人学 (cs.RO)，人工智能 (cs.AI)
  • 作者： Zikun Guo, Minglan Chen, Jinyou Zhai, Rongjin Zou
  • 提交时间线：
  • 提交日期：2026年6月12日
  • 最后修订：2026年8月18日 (v4)
  • arXiv Identifier: arXiv:2606.14438 [cs.RO]
  • Subject Categories: Robotics (cs.RO), Artificial Intelligence (cs.AI)
  • Authors: Zikun Guo, Minglan Chen, Jinyou Zhai, Rongjin Zou
  • Submission Timeline:
  • Submitted: June 12, 2026
  • Last Revised: August 18, 2026 (v4)

摘要

通过模仿学习训练的端到端（E2E）自动驾驶规划器容易产生统计捷径：它们将仅与专家行为共现的场景元素（如路边物体、建筑立面）与驾驶决策关联，而非关联那些因果决定决策的变量。这种因果混淆会悄无声息地损害长尾场景下的可靠性，且难以检测，因为主流的开环指标（L2位移和碰撞率）主要受自车状态支配，无法反映规划器是否依赖于虚假线索。现有的基于因果干预训练的补救措施需要重训练大型模型，且无法审计已部署的规划器。我们提出了 CADET，这是一个无需训练的框架，可以在不进行任何参数更新的情况下，对预训练的 E2E 规划器进行审计、基准测试和修复虚假依赖。

End-to-end (E2E) autonomous-driving planners trained by imitation are prone to statistical shortcuts: they associate scene elements that merely co-occur with expert actions (a roadside object, a building facade) with driving decisions, rather than the variables that causally determine them. Such causal confusion silently compromises reliability in long-tail scenarios, and it is difficult to detect, because prevailing open-loop metrics (L2 displacement and collision rate) are dominated by ego status and do not indicate whether a planner depends on spurious cues. Existing remedies based on causal-intervention training require retraining large models and cannot audit a planner that is already deployed. We present CADET, a training-free framework that audits, benchmarks, and repairs spurious reliance in pretrained E2E planners without any parameter update.

获取全文及资源

外部参考与工具