并非所有代理都重要：从全局注意力稀释到风险优先的游戏规划

端到端自动驾驶的核心不在于感知与规划的集成，而在于统一表示空间内的动态多主体博弈。大多数现有端到端模型 treats all agents equally，这阻碍了从复杂背景中解耦真实碰撞威胁。为此，我们提出风险优先游戏规划（Risk-Prioritized Game Planning）的概念，提出 GameAD 框架，将端到端自动驾驶建模为风险感知博弈问题。GameAD 集成了风险感知拓扑锚定、战略载荷适配器、最小最大风险稀疏注意力和风险一致均衡稳定，以实现风险优先的交互式博弈决策。我们还提出规划风险暴露（Planning Risk Exposure）指标，用于量化长期轨迹规划的累积风险强度，以实现安全自动驾驶。在 nuScenes 和 Bench2Drive 数据集上进行的大量实验表明，我们的方法在轨迹安全性方面显著优于最先进的方法。