归因能预测风险吗？从多视角归因到端到端自动驾驶中的规划风险信号
机器学习
2026-05-08 v1
摘要
端到端自动驾驶模型从多视角输入生成未来轨迹，提高了系统集成度，但也引入了不透明的决策和难以定位的风险。现有方法要么依赖辅助监控模型，要么生成文本解释，但它们都与规划过程解耦，无法揭示轨迹生成背后的视觉证据。虽然归因提供了一个直接的替代方案，但规划与图像分类不同，它以六视角相机图像作为输入并预测连续的多步轨迹，这要求归因既能捕捉关键视角和区域及其对输出的影响。此外，归因图能否支持风险识别仍然探索不足。为了解决这个问题，我们提出了一个用于端到端规划的分层归因框架。具体而言，使用与原始轨迹的 L2 一致性作为目标，我们设计了一种从粗到细的区域归因策略，在全六视角输入中搜索候选区域并在其中细化归因。我们进一步提取了三个归因统计量作为规划风险的预测信号，包括用于衡量规划器在联合视觉空间上的依赖集中程度的归因熵、用于表征每个视角内归因分布范围的相机内空间方差，以及用于量化六个相机间归因分布不均匀程度的跨相机 Gini 系数。在 BridgeAD、UniAD 和 GenAD 上的实验表明，这些统计量与规划风险相关，与轨迹误差的 Spearman 相关系数为 ，碰撞检测的 AUROC 为 。该信号可推广到留出场景且性能下降可忽略不计，并在替代归因基线下保持稳定。
引用
@article{arxiv.2605.06264,
title = {Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving},
author = {Le Yang and Ruoyu Chen and Haijun Liu and Jiawei Liang and ShangQuan Sun and Xiaochun Cao},
journal= {arXiv preprint arXiv:2605.06264},
year = {2026}
}