当前位置：首页>自动驾驶>归因图能预测自动驾驶风险?中山大学&南洋理工最新研究:0.77 AUROC碰撞预测

归因图能预测自动驾驶风险?中山大学&南洋理工最新研究:0.77 AUROC碰撞预测

2026-05-10 17:06:50

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～

龙哥推荐理由：
端到端自动驾驶的“黑盒”问题一直是落地瓶颈，归因方法通常是马后炮，但这篇文章反其道而行之，首次系统性论证了归因图本身就能作为风险预警信号。该方法不修改原模型，实验设计严谨，泛化能力不错，碰撞预测AUROC达到0.77，创新性和实用价值俱佳。

原论文信息如下：

论文标题:
Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving

发表日期:
2026年05月发表单位:
中山大学, 中国科学院大学, 南洋理工大学原文链接:
https://arxiv.org/pdf/2605.06264v1.pdf

1. 端到端规划的黑盒困境：不仅要知道轨迹错了，更要看到它凭什么错

如今的自动驾驶圈，端到端（End-to-End）已经成为最火的方向。特斯拉 FSD V12 直接抛弃了传统的“感知-预测-规划”多模块流水线，让一个大模型从摄像头原始图像一路输出方向盘、油门、刹车指令。看起来挺酷，但问题也随之而来——这个黑箱里到底发生了什么？如果它做了一个错误的变道决策，我们不仅要知道轨迹错了，更要搞清楚它到底是看了什么“鬼东西”才做出这个判断。

现有的可解释方法，要么是用语言模型生成一段文字描述（比如 DriveGPT4），要么是训练一个额外的监控模型来检测风险。但语言解释本身也很黑箱，你根本不知道它是不是在瞎编；而辅助监控模型与规划器是脱钩的，它看到的只是场景层面的风险，而不是规划决策本身的风险——危险的场景不一定会导致规划失败，看似无害的场景也可能埋下隐患。所以，真正要分析风险，必须从规划器自己的行为入手。

归因（Attribution）是一种非常自然的思路：它通过衡量输入图像的哪个区域对输出有多大贡献，来揭示决策依据。以往的工作已经用归因来分析分类模型，但端到端规划完全不同——输入是六个摄像头（前、后、左、右等）的高清图像，输出是连续的多步轨迹，而不是一个类别分数。这就对归因方法提出了全新的挑战。本论文要回答一个核心问题：归因不仅能解释多视图的端到端规划，还能预测潜在的风险吗？

为了回答这个问题，来自中山大学、中国科学院大学和南洋理工大学的研究团队，提出了一套层次化归因框架，并在此基础上提炼出三个统计信号，能够用归因图来预测规划风险。

2. 核心创新：一个“粗到细”的层次化归因框架，高效定位决策依据

传统归因方法（比如 RISE）需要随机采样大量的区域掩码，然后看模型输出的变化。但端到端规划器推理一次就要几毫秒，六视图下采样几千次，时间成本直接爆炸。所以，本文设计了一个巧妙的“粗到细”（Coarse-to-Fine）层次化搜索策略，大幅降低计算量，同时保持归因的准确度。

先看整体流程：

图1：层次化归因流水线。多相机输入被分割成SLICO超像素并分组为粗区域（左）。候选子集由规划器预测轨迹上的目标函数评估（中）。粗到细的贪婪搜索先选择粗区域，再细化子区域，最终产生每像素的显著度张量（右）。

具体来说，本文先把每张相机的图像用 SLICO 超像素分割成一个个小区域（subregions），然后把这些小区域按空间相邻关系合并成“粗区域”。在粗阶段，只对粗区域进行贪婪选择：每次挑出对轨迹影响最大的那个粗区域；在粗阶段确定顺序后，再进入精炼阶段，在每个粗区域内部对子区域进行进一步的贪婪排序。这种方法充分发挥了驾驶场景的自然层级结构——规划器通常先关注一个大的空间区域（比如前方的交叉口），然后才聚焦到其中的细节（比如车道线、前车轮廓）。

归因的目标函数设计也很关键。本文同时考虑了充分性（Sufficiency）和必要性（Necessity）：

充分性：如果只保留选中的区域，规划器的输出应该和原始输入下的轨迹尽可能接近。

必要性：如果移除选中的区域，规划器的输出应该发生显著变化。

二者结合，才能找到真正关键的视觉证据。目标函数定义如下：

充分性分数：F_suf(S) = -∥ŷ(S) - ŷ∥₂，其中 ŷ(S) 是只保留S区域时规划器输出的轨迹，ŷ 是原始输入下的轨迹。

必要性分数：F_nec(S) = ∥ŷ(V\S) - ŷ∥₂，其中 V\S 表示移除S区域后剩下的部分。

组合目标：F(S) = λ_suf F_suf(S) + λ_nec F_nec(S) ，两个超参数平衡充分性和必要性的权重。

看到这里，你可能会觉得：这不就是一个经典的子集选择问题吗？而且优化这个目标函数是NP-hard的。没错，但是本文的粗到细策略非常优雅：先将相邻子区域聚合成粗区域，在粗区域级别上进行贪婪搜索，得到粗区域排序和边际增益；然后以粗区域的前序集合为条件，在各自内部对子区域进行独立的贪婪排序。这大大减少了搜索次数，同时保持了接近全贪婪搜索的忠实度（faithfulness）。

粗阶段边际增益：d_j = F(∪_i≤j G_(i)) - F(∪_i<j G_(i))。

精炼阶段条件前缀：C_j = ∪_i<j G_(i)。

最终，每个子区域在序列中的边际增益就是它的归因分数，映射回对应相机的像素位置，就得到了规划显著度张量 T（维度 C×H×W）。这个张量就是后续风险信号的基础。

3. 三大风险信号：全局熵、视图内方差、跨相机基尼系数，量化“过度依赖”

有了归因图之后，怎么用它来判断风险呢？直觉上，如果规划器过度依赖少数几个区域，一旦那些区域被遮挡或出现异常，规划很可能会出错。换句话说，稳健的规划应该避免对有限视觉证据的过度依赖。基于这个启发，本文从三个层次定义了量化指标：

归因熵（Attribution Entropy）：衡量全局上归因分布是否集中在整个多视图像素空间的很小一部分。熵越小，表示规划器只依赖非常有限的视觉位置，意味着更强烈的全局过度依赖。其中 p(c,u,v) 是归一化后的归因概率。

视图内空间方差（Within-camera Spatial Variance）：在每个相机视图内部，归因是否集中在一个小区域。先计算每张图的归因质心，再计算像素围绕质心的平均距离的加权平均。方差越小，表示归因在视图内越集中，意味着更强的视图内过度依赖。

跨相机基尼系数（Cross-camera Gini Coefficient）：衡量归因在所有六个相机之间分配的不均匀程度。基尼系数越高，表示规划器过度依赖某一个或某几个相机，而忽略其他视角。

图2：从多相机显著度的分布视角看三个归因统计量。归因熵衡量全局集中度，视图内空间方差衡量每个视图内的空间离散度，跨相机基尼系数衡量跨视图的不平衡度。

图3：三个归因统计量之间的两两斯皮尔曼相关性，在BridgeAD、UniAD和GenAD上分别展示。所有非对角线条目绝对值不超过0.12。

4. 实验效果惊人：碰撞预测AUROC达0.77，且能泛化到未见场景

论文在 nuScenes 验证集上对三种代表性端到端规划器（BridgeAD、UniAD、GenAD）进行了全面测试。风险指标有两个：轨迹误差（平均位移误差 ADE）作为连续风险指标，碰撞（collision_any）作为二分类指标。他们用三个归因统计量作为特征，对ADE做岭回归，对碰撞做逻辑回归，评估斯皮尔曼相关系数和AUROC。

先看整体关联性（Table 1）：

表1：归因统计量与规划风险之间的关联。ρ_ADE表示与ADE的斯皮尔曼相关系数，coll.表示对碰撞的AUROC。

可以看到，单个统计量中，归因熵 H 在 BridgeAD 和 UniAD 上表现最好，视图内空间方差 σ²_sp 在 GenAD 上领先，跨相机基尼系数虽然弱一些但方向一致。更关键的是，三个统计量联合起来（Attribution stats only）在三个规划器上表现几乎相同：ρ_ADE 约为0.31，碰撞AUROC约为0.77。这说明归因信号本身携带了与风险相关的信息。

而且，这种关联不是场景目标布局的替代表述。论文设计了三个与归因统计量结构匹配的控制变量（目标数量 N_obj、目标空间散布 D_obj、跨相机基尼 Gini_obj），单独用这些控制变量预测风险时效果很差（碰撞AUROC仅为0.55-0.64），而加入归因统计量后AUROC提升到0.77-0.80，说明归因信号提供了无法从目标布局中获得的额外信息。

更让人兴奋的是泛化测试。论文将 nuScenes 的150个场景按80%/20%随机分割，在训练场景上拟合模型，在未见过的场景上评估。结果如下：

表2：80%/20%场景分割下三个联合模型的跨场景预测能力，在20次随机分割上平均。

联合归因统计量在未见场景上依然保持 ρ_ADE 约0.30-0.34，碰撞AUROC约0.76-0.78，几乎没降！而仅用控制变量的模型直接掉到接近随机水平。这说明归因信号具有很好的跨场景泛化能力。

进一步的，论文还测试了在持有场景中识别高ADE样本的能力（Table 3）：

表3：在持有场景中按三个预算水平识别高风险样本。Random是分析均匀采样基线。

当预算为10%时（与高风险样本的基础概率一致），Recall和Precision都达到0.40-0.42，是随机基线的4倍。这意味着你可以用这个信号来筛选出最可能出错的样本，做进一步分析。

为了验证这些信号不依赖于特定的归因方法，论文用另一种归因方法 RISE 替换了层次化归因，重新计算三个统计量。结果（Table 4）显示：

表4：归因图消融。用RISE替换提出的层次化归因，保持相同的统计量、度量标准和符号约定。

用RISE得到的信号虽然弱一些（AUROC在0.64-0.73之间），但方向一致，说明风险信号不是某个特定归因算法的产物，而是归因分布本身固有的特性。

最后，论文还比较了不同归因方法的忠实度和效率（Table 5）：

表5：不同归因方法之间的忠实度和效率。所有方法共享相同的区域划分和掩膜操作。

本文提出的层次化归因在忠实度上远超RISE，接近精确贪婪搜索（EAGLE），但在效率上却是最快的（甚至比无搜索的RISE还快一点点，因为RISE需要大量随机掩膜前向传播）。在GenAD上，本文方法每样本仅需173.6秒，而EAGLE需要658.4秒，RISE需要203.4秒。

5. 局限性讨论：尚不支持实时监控，但开辟了归因用于风险评估的新方向

目前的方法还不能做到实时监控——计算一次归因图需要大约几分钟（在GPU上），因此无法在行驶过程中在线使用。但它的核心价值在于离线分析：可以用它来筛选大量数据中的高风险场景，进行针对性验证或数据增强。而且，这是第一篇系统性地证明归因图可以用于规划风险预测的工作，为后续研究开辟了一个全新方向。未来如果能设计出更高效的归因近似方法，或者直接用注意力头来近似归因，或许能实现在线风险预警。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文解决什么问题？这篇论文要解决端到端自动驾驶规划器的可解释性和风险预测问题。它提出可以用归因图（attribution map）来揭示规划器依赖哪些视觉区域输出轨迹，并且证明归因图的分布特征（熵、方差、基尼系数）本身就能作为风险预警信号，比如预测会不会发生碰撞。

文章中的SLICO超像素是什么意思？SLICO是简单线性迭代聚类（Simple Linear Iterative Clustering）的优化版本，是一种图像分割算法。它将图像分割成大小相近、形状不规则的超像素块，每个超像素内的像素在颜色和空间上比较一致。在这篇文章中，SLICO用于将每一帧相机图像分割成许多小区域（subregions），作为归因分析的基本单元。

什么是归因图的忠实度（faithfulness）？忠实度是指归因图反映模型真实决策依据的程度。一个高忠实度的归因图，当保留高归因区域时，模型输出应该基本不变；当移除高归因区域时，模型输出应该大幅改变。论文用了插入（Insertion）和删除（Deletion）AUC以及S_high等指标来衡量。层次化归因在忠实度上远高于随机采样的RISE，接近最优的EAGLE。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~