稀疏自编码器解析端到端自动驾驶规划模型

Manav Gagvani 等作者将机制可解释性方法用于端到端自动驾驶：在单摄像头端到端路径规划模型的内部激活上训练稀疏自编码器（SAE），对 SAE 隐变量做无监督聚类后，呈现出与路线意图、车速和刹车行为对应的可解释结构，作者称无监督条件下路线意图恢复准确率为 98.3%。 作者通过成对反事实图像编辑称，特定 SAE 特征会随红绿灯状态和停车标志出现而系统性变化，单独调节这些隐变量可使横向位移、曲率和刹车等规划输出产生可预测的单调变化。作者还构建基于 SAE 隐变量的轻量适配器，称轨迹选择误差降低 3.44%，优于不含 SAE 隐变量的同类适配器。 论文被 CoRL 2026 接收，代码与可视化已公开。上述准确率与误差降幅均为作者报告，实验限于该单摄像头模型，未涉及实车验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。