阅读：学习端到端自动驾驶的风险信息领域

自动驾驶需要的不仅仅是识别场景中存在的内容：规划者必须确定道路结构、周围主体及其运动状态应如何影响未来的操作。现有的基于学习的规划器可以通过潜在场景特征和轨迹解码器捕获这些影响，但环境因素和候选动作之间的关系通常仍然是隐含的。这限制了检查、诊断或完善场景环境如何影响预测轨迹安全性的能力。经典安全场提供了这种关系的明确空间表示，但它们的风险形状和相对权重是预先规定的，并不适应每个场景。我们引入了 READ，这是一个框架，可以从互补的几何和行为约束中学习明确的、与计划一致的风险表示。 READ 将此表示实例化为连续时空场，从而实现沿候选轨迹的可微分查询。学习领域通过鼓励预测轨迹与低风险区域保持一致，同时保留用于轨迹评估和细化的可微接口，将场景理解与动作选择联系起来。 READ 与端到端规划器和视觉-语言-行动模型集成。 NAVSIM 上的实验表明，匹配的端到端主干网具有一致的增益，并且在 VLA 设置中具有强大的性能； READ 在 NAVSIM v2 上也取得了有竞争力的结果。这些结果将学习的空间风险建立为安全规划的明确的、适应性强的表示。