过去几年，端到端自动驾驶规划有一个很大的变化：

以前大家更关心模型能不能直接输出一条像人类司机一样的轨迹；现在更关键的问题变成了：

模型第一次规划错了以后，有没有能力自己改回来？

这正是 ReflectDrive-2 这篇工作的核心。

它不是简单地提出一个新的轨迹生成模型，而是把自动驾驶规划拆成了三个阶段：

Decision → Draft → Reflect

也就是：

先决定未来大概要去哪；

再生成一条初稿轨迹；

最后让模型自己检查并修正这条轨迹。

这篇论文真正有意思的地方，不是“又用了一个 diffusion 模型”，而是它把自动驾驶规划从一次性输出，变成了一个可以自我编辑、自我纠偏的过程。

1. 为什么自动驾驶规划需要“自我修正”？

模仿学习训练出来的自动驾驶模型，最常见的问题不是完全随机犯错，而是集中在几类非常典型的错误上。

比如：

第一类是纵向错误。

车该快的时候太保守，该慢的时候刹车不及时，或者轨迹前进距离过长、过短。

简单说，就是：

车在“走多远”这件事上判断错了。

第二类是横向错误。

比如车道内偏左偏右，转弯时切线不合理，甚至轨迹往可行驶区域外漂。

简单说，就是：

车在“往哪边走”这件事上判断错了。

这些错误有一个共同特点：

它们不是完全不可救的错误。

很多时候，初始轨迹只要局部改一改，就能变成一条更合理的轨迹。

但传统端到端规划器通常只输出一条最终轨迹。

输出完就结束了，没有“反悔”和“修正”的空间。

这就像一个司机只允许做一次判断，判断完之后不允许再看一眼路况、不允许再调整方向盘。

这显然不符合真实驾驶过程。

真实驾驶本来就是不断观察、不断预测、不断修正的过程。

2. ReflectDrive-2 想改变什么？

它想把自动驾驶规划从“一次性输出轨迹”，改成“先生成初稿，再自我修正”。

模型先判断未来可能去哪，再生成一条初稿轨迹，最后检查这条轨迹哪里不合理。

这个变化的重点不是多一个模块，而是让 planner 拥有中间状态。

有了中间状态，模型就可以在生成之后继续改，而不是一次输出后结束。

3. 为什么要先预测目标点？

因为自动驾驶规划不是单答案问题。

同一个场景里，自车可能选择跟车、让行、绕行，也可能选择不同的转弯走线。

ReflectDrive-2 先预测 goal posterior，再从中选出多个 goal point。

这些 goal point 代表同一辆自车的多个未来行为假设。

这样模型先回答“未来大概要去哪”，再回答“具体怎么走”。

4. Draft 为什么叫“初稿”？

Draft 是在某个 goal point 条件下生成的第一版候选轨迹。

它不是最终答案，而是后续 AutoEdit 的输入。

ReflectDrive-2 把轨迹离散成 trajectory token，再用 mask-based discrete diffusion 把这些 token 补完整。

这种表示让轨迹既能被生成，也能被局部重写。

所以 Draft 更像一版可以修改的轨迹草稿。

5. AutoEdit 到底在修什么？

AutoEdit 修的是 Draft 中不合理的轨迹 token。

比如目标方向对了，但局部横向偏了；或者整体能走通，但某些位置太激进、太保守。

它会预测 replacement token，再通过 commit mask 决定哪些修改真正写回。

好的 token 保留，低置信度或明显不合理的 token 被替换。

这让修正更像局部微调，而不是整条轨迹推倒重来。

6. AutoEdit 为什么不能只靠监督训练？

AutoEdit 会先用结构化扰动做监督训练。

也就是把专家轨迹人工扰动成“像真实规划错误”的轨迹，再训练模型修回去。

但修回专家轨迹，不等于闭环驾驶表现一定更好。

自动驾驶最终看的是安全、合规、舒适和有效前进，而不只是 token 像不像专家。

所以 AutoEdit 还需要通过 RL 学会哪些修改真正能提高最终驾驶得分。

7. RL 在这里真正起什么作用？

RL 把 Draft 和 AutoEdit 绑定到同一个闭环 reward 上。

监督训练时，Draft 学生成专家轨迹，AutoEdit 学修人工扰动，两个目标是分开的。

RL 阶段看的是 AutoEdit 修正后的最终轨迹得分。

这个 reward 同时影响 Draft 的生成和 AutoEdit 的修改。

因此模型学到的不只是“会生成”和“会修”，而是“生成一条更容易被修好、修完后闭环得分更高的轨迹”。

8. 这篇论文的结果说明了什么？

在 NAVSIM 上，ReflectDrive-2 使用纯摄像头输入达到 91.0 PDMS。

更值得关注的是，best-of-6 oracle 达到 94.8 PDMS。

这说明它的多个 goal point 确实产生了有价值的多模态候选行为。

单轨迹结果强，说明模型不是只靠多采样刷指标。

多候选结果继续提升，说明行为假设和轨迹生成之间确实形成了有效配合。

细节连连看

如果你关心更具体的技术实现，比如 goal posterior 是如何暴露行为假设的、trajectory token 如何表示轨迹、mask-based discrete diffusion 如何生成 Draft、AutoEdit 如何改写轨迹、commit mask 如何决定哪些 token 写回，以及 rollout-level RL 如何把 Draft 和 AutoEdit 绑定到同一个闭环 reward 上，建议继续看同步发布的专业版解析：

《ReflectDrive-2 技术深度拆解：从行为假设、轨迹初稿到自我修正的闭环奖励对齐》