基于自身中心联合场景建模的因果感知端到端自动驾驶
机器人学
2026-05-20 v2 人工智能
摘要
端到端自动驾驶通过直接从传感器输入预测未来轨迹，近期取得了显著进展。然而，现有方法常忽视自驾车规划中的因果相互依赖，忽略了自驾车与周围代理人之间的相互关系。这一因果疏忽导致在交互关键场景中预测轨迹不一致且不可靠，尤其是当自驾车决策与邻近代理人行为必须联合推理时。为此，我们提出了 CaAD 框架，即 Causality-aware end-to-end Autonomous Driving，捕获这些依赖关系于共享潜在场景表示中。首先，我们提出一种以自驾车为中心的联合因果建模模块，基于边际预测分支，学习自驾车与与其互动相关代理人之间的因果依赖。其次，我们采用基于联合模式嵌入的因果感知策略对齐阶段，将随机自驾车策略与来自周围交通和地图上下文计算的规划导向闭环反馈对齐。在 Bench2Drive 和 NAVSIM 数据集上，CaAD 显示出强大的闭环规划性能，在 Bench2Drive 上实现驱动得分 87.53 和成功率 71.81，在 NAVSIM 上实现 PDMS 91.1。项目页面可访问于 https://moonseokha.github.io/CaAD/。
引用
@article{arxiv.2605.13646,
title = {Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling},
author = {Seokha Moon and Minseung Lee and Joon Seo and Jinkyu Kim and Jungbeom Lee},
journal= {arXiv preprint arXiv:2605.13646},
year = {2026}
}