CVPR顶会: 重新审视端到端自动驾驶:数据集偏差与评价指标不足带来的误导

本文围绕开环端到端自动驾驶中的一个关键问题展开：在当前主流基准上，自车状态是否已经足以支撑规划结果，从而掩盖了感知模块真实的作用。作者首先指出，端到端自动驾驶希望以“感知服务于规划”的方式统一建模感知、预测与规划，但由于规划本身开放性强、难以量化，理想的闭环评测又会受到仿真域间隙的限制，因此研究社区大量采用基于真实数据回放的开环评测。当前代表性方法多在 nuScenes 上比较规划性能，而 AD-MLP 进一步提出仅用自车状态也能取得很强结果，这直接引出了本文的问题意识。作者在引言中给出的回答是“既是，也不是”：一方面，自车速度、加速度、航向角等信息本就应当帮助规划，因此其有效性并不令人意外；另一方面，自动驾驶作为安全关键系统，不应仅依赖自车状态进行决策。为解释这种矛盾现象，作者分析认为，nuScenes 中约 73.9% 的样本是直行场景，这使得“维持当前运动状态”本身就足以取得不错的规划结果；同时，现有常用指标如 L2 轨迹误差与碰撞率无法充分惩罚冲出道路等高风险行为，导致评价结论存在偏差。图1系统对比了 AD-MLP、作者复现的 Ego-MLP、现有端到端驾驶通用流水线以及本文提出的 BEV-Planner：其中图1(a.1)显示 AD-MLP 同时使用自车状态和历史轨迹真值，图1(a.2)则展示了去除历史轨迹后的 Ego-MLP，图1(b)概括了感知—预测—规划三阶段管线以及自车状态可能注入 BEV 或规划器的位置，图1(c)给出了作者设计的简化基线。

图2

图2(a)进一步以轨迹热力图直观呈现 nuScenes 中轨迹分布高度集中于直行，图2(b)则展示了该数据集中典型的简单道路场景。Related Work 部分在此基础上回顾了两条研究脉络：其一是基于 BEV 的自动驾驶感知方法，重点说明多时刻特征对齐过程中往往已经显式或隐式使用了ego status；其二是端到端自动驾驶方法，从闭环仿真研究过渡到当前广受关注的开环方案，并指出已有方法虽然强调中间任务有助于规划，但 AD-MLP 依赖自车历史轨迹这一设定本身存在争议。基于上述背景，本文的核心方法与贡献便是：重新审视现有基准结论、提出新的道路约束评价指标 CCR，并构建一个不依赖人工感知标注的清晰基线 BEV-Planner，用以更直接地分析ego status对开环规划研究的影响。

图2

1. 方法总结

在方法部分，作者首先说明重新设计基线的必要性：此前常用的 ST-P3 在训练和评测中使用了部分错误的轨迹真值，因此继续以其作为基准会影响比较的有效性。为此，论文提出了一个结构尽可能简洁的基线模型 BEV-Planner（图1(c)）。该方法先从多相机输入中生成当前时刻的 BEV 特征，再与历史时刻的 BEV 特征在通道维进行直接拼接以形成时序融合表示；值得注意的是，作者刻意不进行跨时刻特征对齐，以减少额外设计对结论的干扰。在获得时序 BEV 表征后，模型使用一个可学习的 ego query 与 BEV 特征进行交叉注意力交互，再通过 MLP 直接输出最终轨迹。为了与现有工作保持可比性，作者还构造了两类扩展版本：一类将自车状态注入 BEV 模块，另一类将自车状态直接拼接到规划器输入中。与 UniAD、VAD 等依赖检测框、跟踪 ID、HD 地图等人工标注的方案不同，BEV-Planner 不使用此类感知监督，只用单一的 L1 轨迹损失进行训练。作者强调，该方法提出的目的并不是形成可直接部署的自动驾驶系统，而是提供一个足够“干净”的分析基线，用于更明确地观察：当复杂约束和中间任务被尽量剥离后，开环规划性能究竟在多大程度上依赖于 ego status，而非真正依赖来自视觉感知的场景理解。

2. 实验验证结果

实验部分从实现设定、评价指标与结果分析三个层面展开。实现上，作者采用 ResNet-50 作为主干网络，输入分辨率为 256×704，BEV 分辨率为 128×128、感知范围约 50 m；对于使用历史信息的版本，模型将过去 4 帧的 BEV 特征直接拼接后再经 BEV 编码器压缩到 256 维。评价方面，除了沿用常见的 L2 轨迹误差和碰撞率外，作者新增了 Curb Collision Rate（CCR）指标，用于统计预测轨迹与路缘/道路边界发生交互的概率，从而衡量模型是否真正“沿路而行”。在总体结果中，表1显示一个极其朴素的 GoStraight 策略以及仅依赖自车状态的 Ego-MLP，就已经能在传统 L2 与碰撞率指标上取得与 UniAD、VAD 等复杂方法相近的成绩；同时，只有当现有方法把 ego status 注入规划器时，其表现才会逼近 Ego-MLP。这说明在 nuScenes 的开环设定下，自车状态确实在很大程度上主导了规划输出。

表1

表2

表3

表4

表5

表6

进一步地，表2、图3与图4给出了针对图像输入和ego velocity的扰动实验：当给图像加入雪、雾、眩光、雨等扰动，甚至直接将图像置空时，检测与地图感知性能会明显下降，空白图像条件下感知模块几乎完全失效，但规划轨迹总体仍保持“看似合理”；相反，一旦修改自车速度，预测轨迹会发生剧烈变化，尤其在将速度设置为 100 m/s 时，轨迹会出现明显不合理甚至超出 BEV 区域的情况（图4），这表明模型对 ego status 呈现出过度敏感性。围绕“是否应移除 ego status”这一问题，作者又构造了不使用 ego status 的 BEV-Planner 与加入地图任务的 BEV-Planner+Map。表3表明，引入地图感知后模型在平均 L2 和平均碰撞率上反而变差，但 CCR 明显改善；结合表4和表5可见，地图信息在直行场景中可能带来干扰，却能在转弯场景中有效降低碰撞风险。由于现有评测集中转弯场景占比较小，传统平均指标事实上更偏向简单直行样本，从而掩盖了感知信息在复杂场景中的真实价值。作者还利用表6说明，UniAD 的后处理虽然能降低与其他交通体的碰撞率，却会显著提高 CCR，也就是更容易把轨迹优化到冲出道路边界的位置。

图3

图4

最后，图5展示了在引入 ego status 后，BEV-Planner++ 的收敛速度大幅加快；图6则表明，加入 ego status 后模型的 BEV 特征激活主要集中在自车附近甚至车后区域，而不再像不使用 ego status 的基线那样更多关注车前道路，这意味着模型几乎没有从视觉图像中学到有效的场景信息。综合来看，实验部分的核心结论是：当前开环端到端自动驾驶基准中的高分，很可能在相当程度上来自 ego status 与数据集简单场景分布之间的“捷径匹配”；若不引入更严格、更多元的指标与更具挑战性的评测数据，仅凭传统指标上的性能提升，很难证明模型真正具备稳健且可泛化的规划能力。

图5

图6