端到端驾驶规划者的基于物理的因果审计

通过模仿训练的端到端（E2E）自动驾驶规划者很容易走统计捷径：他们将仅与专家动作（路边物体、建筑物立面）同时出现的场景元素与驾驶决策相关联，而不是因果决定它们的变量。这种因果混乱悄悄地损害了长尾场景中的可靠性，并且很难检测到，因为流行的开环指标（L2 位移和碰撞率）由自我状态主导，并且不表明规划者是否依赖于虚假线索。基于因果干预训练的现有补救措施需要重新训练大型模型，并且无法审核已部署的规划器。我们提出了 CADET，这是一个 无需训练 框架，可以在不更新任何参数的情况下对预训练的 E2E 规划器中的虚假依赖进行审核、基准测试和修复。