# M5｜端到端自动驾驶：规划、驾驶 VLA 与因果/强化学习

## 0. 方向速览

端到端自动驾驶（E2EAD）把"感知—预测—规划"压进一个可微网络，输入端到端直接出轨迹；2024–2026 的范式转移是从"回归单模态轨迹"（UniAD、VAD）转向"生成式多模态规划 + 视觉-语言-动作（VLA）"——扩散/流匹配出多候选轨迹，VLM/VLA 注入世界知识与推理。本方向卡在三处：① 开环指标（nuScenes L2/collision）已被证明被 ego status 捷径严重污染，越刷越虚；② "推理（CoT）到底有没有用"出现根本分歧（NoRD 主张不需要推理、Counterfactual VLA / Latent-CoT 主张需要）；③ 端到端模型学到的是统计相关还是因果机制，长尾场景一崩就露馅。本文逐篇评析 21 篇 CVPR2026 论文，调研外部谱系与 SOTA，提炼 8 条方向级 gap，并给出 6 个可执行的选题。

---

## 1. 论文逐篇评析

### [P8] SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving
- **核心贡献**：把驾驶理解拆成 scene→agent→goal 三级认知层次，用层次化知识结构化给通用 VLM 补"驾驶专精"的时空结构化表征，再接轨迹规划。
- **优点**：① 层次分解与人类的"看环境→看关键 agent→定短期目标"认知对齐，可解释性好；② 只在 VLM 表征学习上加结构、不改主干，易插拔；③ NAVSIM camera-only SOTA，说明结构化确实补了通用模型的短板；④ 把多层级信息压成 compact 表征喂规划，缓解长序列负担。
- **不足**：① "层次"是预设的先验结构，没有消融证明 scene/agent/goal 三级缺一不可，可能二级就够；② 仅在 NAVSIM（非反应式回放）验证，闭环 CARLA/Bench2Drive 未报，无法证伪是否学到 shortcut；③ 通用 VLM 的"驾驶不专精"用的是定性论证，缺定量对比（如与直接 SFT 的 token 级差异）；④ 三级层次对长尾/交互博弈场景是否仍成立未验证。
- **可延展信号**：把"认知层次"做成可学习/可自适应切换（简单场景跳过 goal 层），并去闭环验证。

### [P18] VGGDrive: Empowering VLMs with Cross-View Geometric Grounding
- **核心贡献**：用冻结的成熟 3D 基础模型的跨视角几何特征，经 plug-and-play 的 CVGE 模块层次化注入 VLM 的 2D 视觉 token，补齐 VLM 缺失的跨视角 3D 几何接地能力。
- **优点**：① 冻结 3D 模型、只训轻量 CVGE，训练成本低且避免灾难性遗忘；② "解耦 base VLM 架构"的 plug-and-play 设计工程价值高；③ 在 5 个 benchmark（含跨视角风险感知、运动预测、规划）一致涨点，泛化性强；④ 点明"3D 基础模型可赋能 AD"的范式价值。
- **不足**：① 3D 模型冻结意味着其误差（深度/标定）直接传给孩子，无纠错回路；② 五个 benchmark 多为开环或子任务，缺端到端闭环安全证据；③ CVGE 的"层次化自适应注入"具体机制含糊，消融不够细（哪层注入最关键？）；④ 推理时多了一个 3D 分支，latency 成本未在驾驶实时性下核算。
- **可延展信号**：解冻 3D 分支做协同训练 + 在 Bench2Drive 闭环验证几何接地是否真正提升安全。

### [P23] GuideFlow: Constraint-Guided Flow Matching for Planning
- **核心贡献**：用 Constrained Flow Matching 把安全/物理约束"显式"编进流匹配生成过程（而非隐式编码），并联合 Energy-Based Model 让模型自主优化以满足约束；把驾驶激进度参数化为控制信号。
- **优点**：① 直接在生成过程加显式约束，根治了生成式规划"出轨迹后再优化"的两段式缺陷；② 流匹配天然缓解 mode collapse，且 EBM 头增强约束满足的自主性；③ Navhard 上 EPDMS 43.0（SOTA），且在 Bench2Drive/NuScenes/NavSim/ADV-NuScenes 多基准验证；④ 激进度可控，工程可用。
- **不足**：① EPDMS 43.0 与同期 SimpleVSF（ICCV'25 挑战赛 53.06）、WAM-Diff（声称 89.7）量级差异巨大，说明 EPDMS 跨论文不可比，需警惕；② EBM 训练不稳定、采样慢，未报推理时延与稳定性；③ "显式约束"具体形式（碰撞/可行驶区/舒适）的权重如何定、是否 gameable 未讨论；④ NuScenes 开环结果仍报了，未给出 ego-status 泄漏分析。
- **可延展信号**：把约束做成可微分、可在闭环中被违反后反传的机制，并统一 EPDMS 评测协议。

### [P32] MTA: Multimodal Task Alignment for BEV Perception and Captioning
- **核心贡献**：用 BEV-Language Alignment（上下文学习对齐 BEV 与语言）和 Detection-Captioning Alignment（跨模态 prompt 对齐检测与描述），统一提升 BEV 感知与描述且推理零额外开销。
- **优点**：① 把两任务对齐而非各训各的，互相增益（稀有场景感知 +10.7%、描述 +9.2%）；② 训练时插入、推理无额外计算，部署友好；③ 在 nuScenes 与 TOD3Cap 双基准验证；④ DCA 的 cross-modal prompting 机制简洁可迁移。
- **不足**：① 本质是多任务对齐 trick，增量性较强，缺"为什么对齐就涨"的机制分析（captioning 如何反哺检测的可视化证据）；② 仅在 nuScenes 开环（感知/描述），无规划、无闭环，难证下游驾驶价值；③ 稀有场景 +10.7% 的"稀有"定义来自 nuScenes 长尾，但 nuScenes 长尾≠真实长尾；④ 与同方向的 SpaceDrive/SGDrive 边界模糊（都是 VLM+BEV 对齐）。
- **可延展信号**：把对齐监督接到规划目标（perception-captioning-planning 三联对齐），看是否提升闭环安全。

### [P44] ActiveAD: Planning-Oriented Active Learning
- **核心贡献**：面向"最终规划"设计主动学习：用多样性指标解决冷启动初选，用不确定性指标做后续批次选样，仅标 30% 数据即在 nuScenes 开环 + CARLA 闭环达到 SOTA 全量水平。
- **优点**：① 把"规划质量"而非感知 mAP 作为选样目标，直击 E2E 痛点；② 30% 数据即持平，数据效率数字硬；③ 同时报开环与 CARLA 闭环，比纯开环工作可信；④ 多样性+不确定性两指标分工清晰，冷启动处理得当。
- **不足**：① 闭环只在 CARLA（仿真域），真实长尾/分布外未验证，30% 是否够在 Waymo/TruckDrive 长程场景存疑；② "不确定性"基于模型预测方差，对 OOD 长尾可能反而低（模型对自己错的也自信）；③ 选样策略是否 gameable（主动学习选到的恰好是易标注的简单长尾）未讨论；④ 与已有主动学习（如失衡分布采样）的边际贡献主要靠"planning-oriented"这一句话，对比基线偏弱。
- **可延展信号**：把 ActiveAD 的选样目标换成长尾覆盖率 + 反事实安全，专攻 WOD-E2E 类长尾。

### [P49] TruckDrive: Long-Range Autonomous Highway Driving Dataset
- **核心贡献**：发布 475k 样本、最远 1000m 2D / 400m 3D 检测的高速重卡多模态数据集，系统性证明 SOTA 模型在 >150m 处 3D 感知跌落 31%–99%。
- **优点**：① 直击"现有数据集只覆盖城市短距（≤100m）"的真缺口；② 传感器套件为长距量身定制（7 个长程 FMCW 激光 + 10 个 4D 雷达），数据质量高；③ 用统一实验暴露系统性的 long-range gap，是领域级事实贡献；④ 含 20s 序列的规划/E2E 标注，可直接做长程规划。
- **不足**：① 只报感知跌落，未给出"长距感知差→规划崩"的因果链条与闭环证据；② 高速场景交互少、规划相对简单，对城市长尾帮助有限；③ 数据集偏差（重卡、高速）使模型迁移到乘用车需小心；④ 作为 benchmark 论文，未提供规划类基线在长距下的标准化指标。
- **可延展信号**：基于 TruckDrive 训练"长距 anticipatory planning"，并把 1000m 外观信息压缩进 BEV 表征。

### [P60] ResAD: Normalized Residual Trajectory Modeling
- **核心贡献**：不直预测轨迹，而是预测相对惯性参考的 residual，并用 Point-wise Normalization 重加权，缓解轨迹时空不平衡（远端不确定点主导 loss），2 步去噪达 NAVSIM v1 88.8 PDMS / v2 85.5 EPDMS。
- **优点**：① 惯性参考作为物理先验，让模型只学"必要偏离"，从根上缓解时空不平衡；② 点级归一化解决远端误差主导的优化偏置，机制清晰；③ 仅 2 步去噪即 SOTA，推理极快；④ NAVSIM v1/v2 双榜验证。
- **不足**：① v2 报 85.5 EPDMS，与 SimpleVSF(53.06)、DiffVLA(45.0) 同榜却高出 30+ 分，强烈提示 EPDMS 计算/拆分口径不一致，需存疑；② residual 参考用的"惯性"假设在直线/匀速成立，急博弈场景残差变大、反而难学；③ 与 DiffusionDrive/MeanFuser 同属"残差/流匹配生成轨迹"，delta 偏增量；④ 仅在 NAVSIM（非反应式），闭环安全未证。
- **可延展信号**：把残差参考从惯性升级为"前瞻式可行驶走廊参考"，并对齐 EPDMS 口径做公平对比。

### [P68] WOD-E2E: Waymo Open Dataset for End-to-End Driving in Long-tail
- **核心贡献**：发布 4021 段（≈12h）、出现频率 <0.03% 的长尾端到端驾驶数据集，配 Rater Feedback Score（RFS，基于打分员偏好标签的开环指标）替代距离指标。
- **优点**：① 正面补"开环指标不捕多模态/长尾"的缺口，RFS 用人类偏好比 L2 合理；② 4k+ 长尾段、8 相机 360°、含路由与 ego 状态，规模与模态齐全；③ 含独立 held-out test 供挑战赛，可持续驱动社区；④ 用 Waymo 真实长尾，比 nuScenes 合成长尾可信。
- **不足**：① RFS 仍是开环（log-replay 不反应式），打分员偏好≠安全，且偏好可能被"像人"而非"正确"带偏；② 长尾靠出现频率 <0.03% 定义，未必覆盖"高频但难"的交互博弈；③ 未给规划基线在 RFS 上的分布（哪些长尾类最差），削弱"缺口定位"价值；④ 开环本质未变，ego-status 泄漏风险仍在 RFS 上未被分析。
- **可延展信号**：把 RFS 扩展为反事实 RFS（在仿真里 perturb 场景看 RFS 是否稳健），并做长尾获取/生成/评测闭环。

### [P69] NoRD: A Data-Efficient VLA that Drives without Reasoning
- **核心贡献**：主张"无需推理也能数据高效驾驶"：在 <60% 数据、无推理标注上微调 VLA，靠 RL（Dr.GRPO 修正 GRPO 的 difficulty bias）达 competitive 性能，token 减 3×。
- **优点**：① 直接挑战"推理必需"主流叙事，给出可证伪的反例（无 CoT 也 work）；② 诊断出 GRPO 的 difficulty bias（高方差 rollout 被不公平惩罚）并用 Dr.GRPO 修，是实在的 RL 贡献；③ 数据效率 + 推理成本数字硬（3× 少 token）；④ 在 Waymo 与 NAVSIM 验证，不只在 nuScenes。
- **不足**：① "competitive"是相对谁？若基线本就弱则结论弱化；无 CoT 是否在真正难的长尾/博弈场景掉点未细分；② Dr.GRPO 修正 difficulty bias 是否过度平滑了难样本信号，可能牺牲最难样本；③ 未做"去掉推理后哪些场景变差"的归因，无法证明"推理永远没用"；④ 仍开环为主（NAVSIM 非反应式），闭环推理增益未被证伪。
- **可延展信号**：NoRD 是"CoT 争论"的一方，需要对其做受控证伪实验（Idea 2）。

### [P74] Counterfactual VLA: Self-Reflective VLA with Adaptive Reasoning
- **核心贡献**：让 VLA 先出 meta-action，再对 meta-action 做反事实推理（模拟潜在后果、识别不安全、修正），用 rollout-filter-label 挖掘高价值场景造反事实数据；自适应地只在难场景启用推理。
- **优点**：① 把 CoT 从"一次性描述"升级为"因果自校正信号"，概念清晰；② 自适应推理（只在难场景想）直接回应推理成本争议，且 17.6% 轨迹精度 / 20.5% 安全提升；③ rollout-filter-label 数据管线可复用以造难样本；④ 在大尺度数据集验证，不是玩具。
- **不足**：① "自适应"的触发判据未充分消融（用什么信号决定想不想？误判难场景会漏想）；② 反事实推理仍是文本空间，文本与轨迹物理空间有 gap（MindDriver 也指出的问题）；③ rollout-filter-label 依赖 base VLA 先 rollout，base 若已偏则挖到的"高价值"有偏；④ 闭环 CARLA 未报，难证反事实修正真实降低事故。
- **可延展信号**：把反事实推理搬到 latent 空间（接 Latent-CoT），并在仿真中构造可验证的因果干预（Idea 1/4）。

### [P98] MindDriver: Progressive Multimodal Reasoning
- **核心贡献**：渐进式多模态推理（语义理解→语义到物理空间想象→物理空间轨迹规划），用反馈引导自动标注造对齐数据，渐进式强化微调优化对齐。
- **优点**：① 指出文本 CoT 与轨迹物理空间的语义 gap，并用"未来图像想象"弥合，机制有新意；② 反馈引导自动标注管线解决多模态推理数据稀缺；③ 渐进式 RL 微调比一次性 SFT 更稳；④ nuScenes 开环 + Bench2Drive 闭环双验证。
- **不足**：① "未来图像想象"需要未来帧作监督，真实部署无未来帧，仅训练期可用，推理时想象质量无保障；② 闭环只在 Bench2Drive，未在 NAVSIM v2 / Waymo 反应式验证；③ 渐进三阶段是否必须、各阶段贡献多大缺细消融；④ 想象图像与最终轨迹的对齐靠 reward，reward 是否 gameable 未分析。
- **可延展信号**：把"想象"改成 latent future feature（不依赖未来帧监督），并用世界模型 token 监督。

### [P113] RAG-TP: Retrieval-Augmented Trajectory Prediction
- **核心贡献**：把轨迹预测从"依赖在线不可靠感知先验"改为"从大规模结构化知识库检索历史经验作先验"，用 Retrieval-Driven MoE（把检索单元当专家 cross-attention 融合）解码多模态轨迹。
- **优点**：① 把 RAG 引入轨迹预测，解耦在线推理与离线知识，缓解幻觉与域适应；② Retrieval-Driven MoE 把检索单元当专家，比固定参数融合更灵活；③ map-free 与 map-based 双设定都强，零样本/跨域泛化好；④ 思路可扩展到规划（检索"类似场景怎么开"）。
- **不足**：① 检索库覆盖决定上限，长尾/未见场景检索到的都是近似，可能错用；② MoE 专家数=检索单元数，检索多则计算爆炸，未给检索规模-成本权衡；③ 仅在预测任务，未接端到端规划与闭环；④ 检索相似度度量（场景拓扑+运动模式）在长尾下是否可靠未验证。
- **可延展信号**：把 RAG 接到端到端规划（检索安全轨迹先验喂 VLA），并在长尾场景测检索命中率。

### [P120] MeanFuser: Fast One-Step Multi-Modal Trajectory Generation via MeanFlow
- **核心贡献**：用 Gaussian Mixture Noise（GMN）连续表示轨迹空间免去离散 anchor；用 MeanFlow Identity 建模 GMN 到数据的平均速度场消除 ODE 数值误差，1 步推理；ARM 自适应重建（提案都不满意时重建）。
- **优点**：① GMN 连续化消除 anchor 词汇量-性能权衡，是 DiffusionDrive/GenAD 锚点法的真改进；② MeanFlow 让 1 步推理即高精度，解决流匹配/扩散慢的痛点；③ ARM 自适应重建处理"无满意提案"，工程鲁棒；④ NAVSIM 闭环基准验证效率与性能。
- **不足**：① "1 步"在极难场景是否够（多模态分布复杂时 1 步易崩）未细分；② GMN 假设轨迹服从高斯混合，非高斯多模态（急博弈多解）表示力受限；③ 与 ResAD/GuideFlow 同属生成式规划，delta 偏"更快更连续"；④ NAVSIM 非反应式，闭环安全仍缺。
- **可延展信号**：把 MeanFlow 的 1 步生成与因果约束耦合（约束引导 + 因果去混淆）。

### [P122] Unifying Language-Action Understanding and Generation (LinkVLA)
- **核心贡献**：把语言与动作 token 统一进共享离散 codebook 从结构上层强制跨模态一致；加动作理解目标（由轨迹生成描述）做双向映射；用 coarse-to-fine 两步解码省 86% 推理时间。
- **优点**：① 共享 codebook 从表示层消除语言-动作错位，比后接对齐更根本；② 动作理解（轨迹→描述）反向监督，强化双向语义链接；③ C2F 两步解码大幅降延迟，闭环友好；④ 闭环基准验证指令跟随与驾驶双增益。
- **不足**：① 共享 codebook 量化丢精度（轨迹坐标离散化误差），与 SpaceDrive 用连续 PE 直接回归形成对照；② 指令跟随改善是否来自真理解还是过拟合指令模板未证；③ C2F 的"粗"动作若错，细则全错，缺 fallback；④ 闭环基准未指明是否反应式（Bench2Drive 是，但细节未给）。
- **可延展信号**：把共享 codebook 与因果去混淆结合（语言指令混淆变量时的去偏）。

### [P127] Perceiving the Near, Reasoning the Distant (NDPNet)
- **核心贡献**：解耦近/远时域：近未来靠历史动力学、远未来靠高层语义，双通路 + 过渡模块；加运动感知一致性损失强制运动学合理。Argoverse 2 / WOMD SOTA（WOMD 全时域 minFDE 第一，8s 首破 1.75）。
- **优点**：① 指出近/远预测逻辑本质不同（动力学 vs 语义），双通路比统一解码合理；② 运动感知一致性损失显式嵌运动学先验，治"航向跳变"等不合理；③ WOMD 8s sub-1.75 minFDE 是硬数字；④ 无 ensemble/NMS 即 SOTA，干净。
- **不足**：① 只做预测（非规划），与 E2E 规划的距离未接；② "近/远"切点在 3s？未充分论证切点选择；③ WOMD/Argoverse 是预测基准，开环且非驾驶决策，落地到规划需重搭；④ 一致性损失权重如何定、是否抑制合理急变道未讨论。
- **可延展信号**：把"近动力学/远语义"解耦思想搬进 E2E 规划的近程控车/远程博弈。

### [P138] CausalVAD: De-confounding E2E Driving via Causal Intervention
- **核心贡献**：用稀疏因果干预方案（SCIS）——一个原型字典代表潜在驾驶语境，对稀疏向量化 query 做 backdoor adjustment 式干预，剔除混淆变量导致的伪关联。
- **优点**：① 正面攻击"端到端只学统计相关"这一根本缺陷，立意高；② SCIS 轻量 plug-and-play，易插进现有向量化模型（VAD 系）；③ 在人为配置的因果混淆/噪声场景显式更鲁棒，机制可验证；④ nuScenes SOTA + 抗偏/抗噪验证。
- **不足**：① 只做 backdoor adjustment（brief 明确要求"不要只是再做一次 backdoor adjustment"），原型字典的代表性决定去混淆上限；② 仅在 nuScenes 开环，且开环本身被 ego-status 污染，SOTA 说服力打折；③ 没在仿真里构造"真干预"（改 confounder 看模型是否仍对），去混淆是否真生效缺反事实证据；④ 原型字典如何构建、规模敏感度未充分消融。
- **可延展信号**：在仿真中构造真实因果干预验证（Idea 1），并把 do-calculus 搬进 latent reasoning（Idea 4）。

### [P144] EE-RL: Explorer-Expert RL with VLM Expert
- **核心贡献**：RL explorer + 微调 VLM expert + 双 replay buffer 协作；一个 VLM 专攻稀疏关键场景；StateHash（RGB 相似度 + 运动学相似度）跳过不必要 VLM 推理， denser 专家经验。
- **优点**：① explorer-expert 协作 + 双 buffer 显式处理"稀疏关键场景"数据不平衡；② StateHash 跳推理降本，工程务实；③ CARLA Leaderboard 硬数字（+19.82%/+20.98% DS/IS，Town05-06 平均分 80.09，红灯 0% 事故）；④ 把 VLM 当"慢思考专家"、RL 当"快策略"，角色分工清楚。
- **不足**：① CARLA 仿真域 gap，Waymo/nuPlan 真实域未验证；② StateHash 用 RGB 相似度，光照/天气变化可能误判"已见过"跳过推理；③ VLM expert 的推理数据从哪来（是否人工）未详；④ 与 LEAD/TransFuser 同跑 CARLA，公平对比维度需厘清（专家是否用特权信息）。
- **可延展信号**：把 EE-RL 的 explorer-expert 与因果去混淆结合，避免专家自己也带混淆。

### [P162] Latent Chain-of-Thought World Modeling (LDrive)
- **核心贡献**：用 latent 语言做 CoT——action-proposal token（与输出动作同词表）+ world-model token（扎根学到的 latent 世界模型表达动作后果），冷启动用真实未来 rollout 监督，再用闭环 RL 后训。
- **优点**：① 指出"文本不是推理最高效表示"，latent CoT 同时统一推理与决策，比文本 CoT 快且准；② action-proposal 与输出动作同词表，天然对齐；③ 世界模型 token 给推理"后果反馈"，机制严谨；④ 闭环 RL 后训后比无推理/文本推理都好，正面回应 CoT 之争。
- **不足**：① latent CoT 不可解释，失去 VLA 可解释性卖点；② 冷启动靠真实 rollout 监督，长尾/反事实后果无 GT，世界模型在此失真；③ 闭环 RL 在何种仿真（是否 NAVSIM 反应式/UniSim）未明，计算成本未给；④ 与 Counterfactual VLA 都做"想后果再动作"，delta 是 latent vs 文本，需清晰划界。
- **可延展信号**：在 latent CoT 里做因果干预（do-operator 作用于世界模型 token），Idea 4。

### [P166] LEAD: Minimizing Learner-Expert Asymmetry
- **核心贡献**：实证专家（特权高可见、低不确定）与学生（传感器、单目标点）不对称限制模仿学习，给实用干预缩小差距；TFv6 学生在 Bench2Drive 95 DS、Longest6 v2/Town13 翻倍，并接 NAVSIM/Waymo。
- **优点**：① 把"expert-student asymmetry"量化并给可操作干预，是 CARLA 闭环的实打实推进；② Bench2Drive 95 DS 是硬 SOTA；③ sim-to-real pipeline + 感知监督，NAVSIM/Waymo 也涨，迁移性强；④ 代码数据全开源，可复现。
- **不足**：① 干预是"经验性修改"集合，缺哪个干预最关键的诊断（ablation 粒度可更细）；② 仍依赖 CARLA 仿真，真实长尾/分布外未证；③ 导航意图仅单目标点，复杂路由（多岔口）仍欠指定；④ 与 TransFuser++ 的 delta 偏"系统性工程整合"而非单一机制创新。
- **可延展信号**：把 LEAD 的对称缩小 + ActiveAD 长尾选样，专攻真实长尾闭环。

### [P169] SpaceDrive: Infusing Spatial Awareness into VLM-based AD
- **核心贡献**：把 3D 坐标（多视角深度、历史 ego、文本 prompt）当显式 positional encoding 叠加到 2D 视觉 token，并替代逐位数字 token 做轨迹坐标的输入/输出，直接回归而非逐位生成。
- **优点**：① 用连续 3D PE 而非 digit token，根治 VLM 逐位数字生成的精度/误差累积问题；② PE 同时做输入与输出坐标表示，空间索引一致；③ Bench2Drive 78.02 DS（VLM 系第二）+ nuScenes 开环 SOTA；④ 机制简单可插拔。
- **不足**：① 深度估计误差直接进 PE，无深度不确定度建模；② nuScenes 开环 SOTA 仍受 ego-status 污染，说服力有限；③ Bench2Drive 78.02 低于 LEAD 的 95，VLM 系整体仍弱于 TransFuser 系；④ 多视角深度来源（是否激光监督）与实时性未充分给。
- **可延展信号**：把 3D PE 与因果去混淆结合（空间 PE 是否被混淆变量劫持）。

---

## 2. 方向发展态势

### 2.1 技术演进脉络

1. **模块化→回归式 E2E（2019–2023）**：以 UniAD (CVPR'23)、VAD (ICCV'23)、VADv2 (NeurIPS'24)、SparseDrive (ECCV'24)、PARA-Drive (CVPR'24) 为代表，把感知/预测/规划压进一个网络直接回归单模态轨迹。解决的问题：误差累积、信息损失。引入的新问题：单模态轨迹无法表达驾驶多解性，且开环模仿易学"平均司机"。
2. **生成式多模态规划（2024–）**：DiffusionDrive (NeurIPS'24/arXiv'25)、GenAD (CVPR'24)、Hydra-MDP (CVPR'24)、GuideFlow/MeanFuser/ResAD/WAM-Flow (CVPR'26)。用扩散/流匹配/锚点高斯出多候选轨迹，解决"多模态分布"与 mode collapse。新问题：生成式出轨迹后再优化约束的两段式、anchor 词汇量权衡、推理慢。
3. **VLM/VLA 注入世界知识与推理（2024–）**：DriveVLM (ECCV'24)、EMMA (NeurIPS'24)、OmniDrive (CVPR'25)、Senna (CVPR'25)、DriveGPT4 (CVPR'24)、OpenDriveVLA (CVPR'25)、ORION (CVPR'25)、以及本方向 M5 的 SGDrive/SpaceDrive/VGGDrive/MindDriver/Unifying Language-Action。解决：端到端缺常识/推理。新问题：通用 VLM 缺驾驶专精与 3D 空间感知、文本 CoT 与轨迹物理空间 gap、推理成本。
4. **RL 后训练与推理（2025–）**：AlphaDrive (arXiv'25, GRPO+推理)、RAD (arXiv'25, 3DGS RL)、TrajHF、CarPlanner、NoRD(CVPR'26, Dr.GRPO)、EE-RL、LEAD、Latent-CoT。解决：开环模仿上限、长尾。新问题：RL 奖励设计、sim-to-real、难度偏置。
5. **评测范式转移（2024–）**：nuScenes 开环 L2/collision 被 BEV-Planner (CVPR'24) 证伪 → NAVSIM/NAVSIM-v2 (CoRL'24, PDMS/EPDMS) 非反应式回放 → Bench2Drive (ICCV'24) / CARLA 闭环 → Waymo Open Sim Agents / nuPlan 反应式。这是本方向最关键的"去伪"进展。

### 2.2 关键外部文献

| 文献 | 年份/会议 | 一句话贡献 | 与本方向关系 |
|---|---|---|---|
| UniAD | CVPR'23 | 规划导向的端到端统一感知-预测-规划 | 回归式 E2E 起点 |
| VAD / VADv2 | ICCV'23 / NeurIPS'24 | 向量化场景表征 + 概率规划 | 向量化查询系，CausalVAD 在其上加 SCIS |
| SparseDrive | ECCV'24 | 稀疏表征 + 并行运动规划器 | 效率范式 |
| GenAD | CVPR'24 | 生成式对抗训练出多模态轨迹 | 生成式规划前身 |
| Hydra-MDP | CVPR'24 | 多目标蒸馏直接优化 PDMS | NAVSIM 指标驱动 |
| DiffusionDrive | NeurIPS'24 | 截断扩散 + 锚点高斯，治 mode collapse | M5 生成式规划对照 |
| TransFuser / LEAD(TFv6) | CVPR'21/TPAMI'23, CVPR'26 | 多模态融合 + 专家-学生对称 | CARLA 闭环 SOTA 基线 |
| BEV-Planner "Is Ego Status All You Need?" | CVPR'24 | 证伪 nuScenes 开环，ego-status 捷径，CCR 指标 | 本方向红线根源（要求1） |
| AD-MLP | arXiv'22 | 只用 ego 状态即达 SOTA 的极简基线 | 捷径证据 |
| Bench2Drive | ICCV'24 | CARLA 多能力闭环基准（61 引） | 闭环首选之一 |
| NAVSIM / v2 | CoRL'24 | 非反应式 log-replay + PDMS/EPDMS | 低成本反事实评测首选 |
| Waymo Open Sim Agents | NeurIPS'23 | 反应式多 agent 仿真挑战 | 真实域反应式评测 |
| nuPlan | NeurIPS'23 | 闭环规划基准（MLP 也强） | 开环/闭环混合 |
| DriveVLM / DriveVLM-Dual | ECCV'24 | VLM 出低频轨迹 + E2E 出高频 | VLA 驾驶起点 |
| EMMA | NeurIPS'24 | Google 端到端多模态驾驶（Gemini） | 大模型驾驶 |
| OmniDrive | CVPR'25 | 稀疏 3D token 做驾驶 VLM | 3D 空间感知对照（SpaceDrive） |
| Senna | CVPR'25 | LVLM 高层语言规划 + E2E | 语言-动作对齐（Unifying LA） |
| AlphaDrive | arXiv'25 (84 引) | 首个 GRPO+推理用于驾驶规划 | NoRD/EE-RL 的 RL 对照 |
| RAD | arXiv'25 | 基于 3DGS 的大规模 RL 端到端策略 | RL 后训练对照 |
| DriveLM / Reason2Drive / NuScenes-QA / DriveBench | NeurIPS'23 / CVPR'24 | 驾驶推理数据集/基准 | CoT 数据来源 + 可靠性质疑 |
| "Curse of Rarity for AV" | CVPR'24 (86 引) | 开环 vs 闭环差距、罕见事件被低估 | 长尾/开环批判 |
| WAM-Diff | arXiv'2512.11872 [未完全验证] | 离散掩码扩散 + MoE + GSPO，声称 NAVSIM 91 PDMS/89.7 EPDMS | 非自回归生成新 SOTA 候选 |

### 2.3 当前 SOTA 格局与主流评测

- **主流 backbone**：相机端到端以 TransFuser 系 / VAD 系为主；VLA 以 Qwen2.5-VL、Janus-1.5B（WAM-Flow）、Qwen2VL-2B（AlphaDrive）为主；生成式规划用扩散/流匹配头。
- **数字格局（需谨慎，EPDMS 跨论文不可比）**：
  - NAVSIM v1 PDMS：ResAD 88.8、WAM-Flow 90.3(5-step)、DiffusionDrive≈90、GuideFlow 强。
  - NAVSIM v2 EPDMS：SimpleVSF（ICCV'25 挑战赛冠军）53.06、DiffVLA 45.0、GuideFlow(Navhard) 43.0；但 ResAD 自报 85.5、WAM-Diff 自报 89.7——**同榜差 30–40 分，强烈提示 EPDMS 计算口径/拆分未统一，任何只报单家 EPDMS 的论文都应被要求公开评测脚本与拆分**。这是审稿红线。
  - CARLA/Bench2Drive 闭环 DS：LEAD(TFv6) 95 DS，SpaceDrive 78.02（VLM 系），EE-RL Town05-06 均 80.09。
- **评测范式结论（要求1 核心）**：nuScenes 开环 L2/collision 已被 BEV-Planner 证明——73.9% 场景是直行、ego 状态（速度/航向）即可达竞争性能、图像损坏（甚至空白帧）几乎不影响预测。意味着**任何只报 nuScenes 开环的 idea 都不可信**，必须含闭环（CARLA/Bench2Drive）或至少 NAVSIM 类反事实（非反应式回放 + PDMS/EPDMS，且 EPDMS 需可复现口径）。WOD-E2E 的 RFS 仍是开环，仅比 L2 好，不能替代闭环/反事实。

### 2.4 方向级根本缺陷（Open Gaps）

1. **G1 — 开环指标被捷径污染，闭环/反事实评测成本高且未标准化**：nuScenes 开环虚高，NAVSIM 非反应式（agent 不反应 ego），CARLA 反应式但域差大、且 8×L40 上渲染抢卡。为什么没解决：真实反应式仿真贵且难。重要：不解决则整个方向的数字不可比。突破需要：标准化 EPDMS 口径 + 低成本反事实协议。
2. **G2 — "CoT 到底有没有用"无定论**：NoRD（不需要）vs Counterfactual VLA / Latent-CoT（需要）三方矛盾，缺"在什么场景下推理有增益、增益能否被证伪、如何自适应决定想不想"的受控答案。为什么没解决：各方实验设置不可比、缺统一受控基准。重要：这是 2026 最尖锐争论，解决即 high-impact。
3. **G3 — 端到端学的是相关还是因果**：CausalVAD 只做 backdoor adjustment，未在非反应式/反应式仿真里构造"真干预"验证去混淆是否真生效。为什么没解决：构造可验证因果干预难。重要：关乎安全可信。
4. **G4 — 长尾获取/生成/评测缺闭环**：WOD-E2E 给了数据但 RFS 仍开环；TruckDrive 给了长距但缺规划闭环。为什么没解决：长尾稀有、难标注、难仿真。重要：真实部署杀手。
5. **G5 — 生成式规划的物理约束是"后优化"而非"内生"**：GuideFlow 把约束编进流匹配但仍需 EBM 头；多数生成式出轨迹后优化。为什么没解决：约束可微性与多模态平衡难。重要：安全合规硬要求。
6. **G6 — VLM 缺 3D 空间感知与连续坐标**：SpaceDrive/OmniDrive/VGGDrive 各补一块，但深度误差、跨视角几何、连续回归未统一。为什么没解决：VLM 原生 2D 文本。重要：规划精度天花板。
7. **G7 — RL 后训练奖励设计与难度偏置**：NoRD 发现 GRPO difficulty bias；AlphaDrive 自设计 4 奖励；缺"驾驶专属、可证明单调改进安全"的奖励理论。重要：RL 是 2026 主线。
8. **G8 — 专家-学生/仿真-真实不对称**：LEAD 量化但未根治；长尾下特权专家数据稀少。重要：sim-to-real 落地瓶颈。

### 2.5 红海警告（不建议投入的子问题）

- **红海①：nuScenes 开环 SOTA 刷分**。已被证伪，再刷只有边际、且会被直接质疑。不要做。
- **红海②：纯文本驾驶 CoT 数据集（类 Reason2Drive/DriveLM 的又一份）**。数据红利已过，且 DriveBench 已质疑 VLM 驾驶推理可靠性；再做一份类似数据集难中稿。
- **红海③：在 UniAD/VAD 上加一个新模块的小改（如换 backbone/加注意力）**。增量性高、易被评 incremental。
- **红海④：纯扩散/流匹配轨迹生成的又一篇（无约束/无因果/无长尾新视角）**。DiffusionDrive/MeanFuser/GuideFlow/ResAD/WAM-Flow 已密，需明确非平凡 delta。
- **蓝海（值得做）**：G2（CoT 受控证伪）、G3（仿真因果干预验证）、G4（长尾闭环）、G1（标准化反事实评测）、G7（驾驶 RL 奖励理论）。M5 的 6 个 idea 全部落在蓝海。

---

## 3. 六个可扩展 Idea

### Idea 1：CF-Eval——仿真因果干预验证协议（Causal/反事实，要求3）
- **一句话 Pitch**：不在 nuScenes 上"声称"去混淆，而在仿真里构造真实 do-干预（改 confounder、保因果机制），给出可复现的"因果健壮性分数"，正面验证端到端模型学到的是机制还是相关。
- **切入的 Gap**：G3 + CausalVAD 的"只做 backdoor adjustment 无真干预验证"缺口。
- **核心技术方案**：
  - 定义 confounder 集合 C（天气、光照、时段、传感器噪声、地图风格），treatment X（感知特征），outcome Y（轨迹/PDMS）。
  - 在 NAVSIM/Waymo WOSAC 反应式仿真中构造配对干预：对每个场景，固定因果机制（真实驾驶逻辑），仅扰动 C 的某维（如晴→雨、白天→夜），得到 (C=c, Y) 与 (C=c', Y)。
  - 因果健壮性分数 CRS = 1 − E_{c,c'} [‖π(scene;C=c) − π(scene;C=c')‖ / ‖π(scene;C=c) − π_ref‖]，其中 π_ref 为专家轨迹。CRS 高=模型不被混淆变量劫持。
  - 与 CausalVAD 的精确 delta：CausalVAD 在训练时做 backdoor adjustment（调表征），CF-Eval 在**评测时**做干预，二者正交——CF-Eval 既验证 CausalVAD 也验证任何去混淆法，且可当正则（把 CRS 作为训练额外 reward）。
  - 伪代码：`for each scene: for c in confounders: rollout pi_c = policy(sim(scene, C=c)); CRS += dist(pi_c, pi_c0) / dist(pi_c0, expert)`。
- **Novelty Argument**：审稿人或说"这是 CausalVAD 的评测版"。反驳：CausalVAD 改训练不改评测、且从未构造仿真干预；CF-Eval 提供的是方向缺失的"因果可证伪性"协议，且 CRS 可作训练信号，是方法+基准双贡献。
- **实验方案**：
  - 数据集：NAVSIM navtrain（公开，非反应式，可用其 log-replay + 我们加的 confounder 扰动层）、Waymo WOSAC（反应式，公开）、nuScenes（仅作对照，报 ego-status 泄漏）。
  - Baselines（≥4）：CausalVAD、VADv2、DiffusionDrive、TransFuser++、UniAD。
  - 主表：行=方法，列=PDMS / EPDMS / CRS(晴) / CRS(雨) / CRS(夜) / CRS(噪声) / 平均 CRS。
  - 消融（≥4）：(a) 去掉 CRS 训练正则→证 CRS 提升因果鲁棒；(b) 仅扰 1 个 confounder vs 全扰→证多混淆叠加效应；(c) CRS 用专家基准 vs 用自身基线→证指标稳健；(d) 反应式 vs 非反应式仿真→证评测协议灵敏度。
  - 分析：t-SNE 看 CausalVAD 表征在干预前后是否更聚类（机制不变则聚类紧）。
  - 指标：CRS（新）+ 标准 PDMS/EPDMS；GPT-as-judge 用于定性描述。
- **8×L40 可行性**：NAVSIM 非反应式回放几乎不占 GPU（CPU 回放 + 单卡推理），CRS 扫描可在 1 卡跑，总成本 <200 GPU·h；Waymo WOSAC 反应式需 1–2 卡跑仿真，约 400 GPU·h；CausalVAD 训练微调用 ZeRO-2 + 3B，约 300 GPU·h。总 <900 GPU·h，主实验 <500。降级：若 WOSAC 太慢，只用 NAVSIM 扰动层 + Bench2Drive 少量场景。
- **风险与退路**：最大风险是"所有模型 CRS 都低、无差异"→ fallback 结论是"现有去混淆法在真实干预下均失效"，本身即重要发现，可发 benchmark/分析类。

### Idea 2：AdaptCoT——CoT 有无用的受控证伪与自适应决策器（要求2，解决学术争论）
- **一句话 Pitch**：用受控实验回答"NoRD vs Counterfactual VLA vs Latent-CoT"之争：训练一个"该不该想"的决策器，并设计可证伪评测（必须推理的场景去 CoT 必掉、简单场景加 CoT 必浪费）。
- **切入的 Gap**：G2 + NoRD/Counterfactual VLA/Latent-CoT 三方矛盾。
- **核心技术方案**：
  - 定义场景难度/不确定性代理 u(s)：模型对未来 N 步轨迹的熵、最近 agent 交互数、可行驶区歧义度。
  - 自适应决策器 g_φ：输入 u(s)，输出 p(think)=σ(w·u(s))；p>τ 走 CoT（文本或 latent），否则直出。
  - 受控证伪评测：(i) 难样本集（交互博弈/长尾）上去 CoT 看跌落 Δ_hard；(ii) 易样本集（直行）上加 CoT 看浪费 Δ_easy（延迟+无增益）；(iii) 若 Δ_hard≈0 则证伪"推理有用"，若 Δ_easy≈0 则证伪"推理浪费"。
  - 训练：SFT 出 base（无推理）+ CoT 版（文本/Latent-CoT），用 Dr.GRPO（借 NoRD）只对错分 think/no-think 的场景做 RL。
  - 与最接近工作的 delta：NoRD 主张"永不推理"、CF-VLA 主张"难场景推理"，AdaptCoT 不站队，而是**学习决策边界并给出可证伪证据**，且统一文本/latent 两种 CoT 做同台对比。
- **Novelty Argument**：审稿人或说"只是给 NoRD 加个开关"。反驳：核心是"受控证伪协议 + 决策边界学习"，产出的是争论的可信答案而非又一个 VLA；且首次把文本与 latent CoT 在同一受控设置下比较。
- **实验方案**：
  - 数据集：NAVSIM navtrain（易/难按 PDMS 分位切）、WOD-E2E 长尾（难样本来源）、Bench2Drive（闭环难样本）、DriveLM（CoT 监督）。
  - Baselines（≥4）：NoRD（无推理）、Counterfactual VLA（文本反事实）、Latent-CoT（LDrive）、AlphaDrive（GRPO 推理）、普通 SFT-VLA。
  - 主表：行=方法，列=易样本 PDMS / 难样本 PDMS / 平均延迟 / 推理 token 数 / Δ_hard / Δ_easy / 自适应准确率。
  - 消融（≥4）：(a) 固定 think vs 自适应→证决策器增益；(b) 文本 CoT vs latent CoT→证表示选择；(c) u(s) 用熵 vs 交互数→证难度代理；(d) Dr.GRPO 有无→证 RL 对齐。
  - 分析：画 p(think) 随场景难度的曲线，证决策器学到单调边界；可视化"想错"的案例如红灯博弈。
  - 指标：PDMS/EPDMS + 延迟 + 人工/GPT-as-judge 评 CoT 质量。
- **8×L40 可行性**：Qwen2.5-VL-3B + LoRA（秩 32）SFT 两版各 ~200 GPU·h，Dr.GRPO 后训 ~300 GPU·h，评测 NAVSIM 不占卡。总 <800 GPU·h。降级：若 7B 太慢，固定 3B；若 Bench2Drive 闭环贵，只用 NAVSIM 难/易切分 + WOD-E2E。
- **风险与退路**：风险是"决策器边界不明显（CoT 处处无用或处处有用）"→ fallback：发表"受控证伪"结论——例如证明在 NAVSIM 分布内 CoT 几乎无增益（支持 NoRD），但在 WOD-E2E 长尾下增益显著（支持 CF-VLA），本身即调和争论的重要发现。

### Idea 3：LongTailLoop——长尾获取/生成/评测闭环（要求4）
- **一句话 Pitch**：针对 WOD-E2E 暴露的长尾缺口，给出可操作闭环：ActiveAD 式主动采样真实长尾 + 扩散世界模型生成长尾场景 + 在 NAVSIM/WOD-E2E 反事实评测，形成"采→造→测"自循环。
- **切入的 Gap**：G4 + WOD-E2E（RFS 仍开环）/ ActiveAD（未专攻长尾）/ TruckDrive（缺规划闭环）。
- **核心技术方案**：
  - **采**：用规划导向不确定性 + 长尾覆盖率双指标（扩展 ActiveAD），在 nuPlan/Waymo 原始日志里主动挑 <0.03% 频率场景，只标这些。
  - **造**：训练场景扩散世界模型（参考 DriveWorld/GAIA-1 思路，但 8×L40 只做 LoRA），对采到的长尾种子做可控扰动生成（改 agent 数/行为），扩 10×。
  - **测**：在 NAVSIM-style 非反应式 + Bench2Drive 少量反应式上评，新增 LongTail-PDMS（仅长尾段的 PDMS 均值）与 RFS 反事实版（perturb 后 RFS 稳健度）。
  - 与最接近工作 delta：ActiveAD 只采样不生成不闭环；WOD-E2E 只给数据不给出获取/生成流水线；LongTailLoop 是端到端闭环而非单点。
- **Novelty Argument**：审稿人或说"ActiveAD + 数据增强拼装"。反驳：核心是"长尾闭环"这一新任务定义与 LongTail-PDMS 指标，且生成的世界模型受规划目标引导（不是随机增强），有机制洞察。
- **实验方案**：
  - 数据集：nuPlan（公开，1700h）、Waymo WOD-E2E（公开长尾）、自建生成集（10× 种子）。
  - Baselines（≥4）：ActiveAD、CausalVAD、DiffusionDrive、TransFuser++。
  - 主表：行=方法，列=全量 PDMS / LongTail-PDMS / 长尾碰撞率 / RFS / 生成场景合规率。
  - 消融（≥4）：(a) 仅采样 vs 采样+生成→证生成增益；(b) 长尾覆盖指标有无→证主动选样有效；(c) 反应式 vs 非反应式测长尾→证评测灵敏度；(d) 世界模型扰动可控性→证生成质量。
  - 分析：长尾段失败案例可视化（如施工区/异常停车）；生成场景的 FID/真实性。
  - 指标：LongTail-PDMS（新）+ RFS + 人工评生成真实度。
- **8×L40 可行性**：ActiveAD 采样是离线选样不占卡；世界模型 LoRA 训练（3B DiT 级）~600 GPU·h；评测 NAVSIM 不占卡、Bench2Drive 少量 ~200 GPU·h。总 <1000 GPU·h。降级：世界模型若 14B 不可行，改用 1.3–5B 级 LoRA 或只用真实采样不做生成。
- **风险与退路**：风险是生成场景不真实导致评测失真→ fallback：只用真实主动采样（ActiveAD 扩展），仍产出"长尾优先选样 + LongTail-PDMS"的可发表结论。

### Idea 4：CausalLatent——潜空间因果去混淆的世界模型推理（高风险高回报，Oral 候选）
- **一句话 Pitch**：把 Latent-CoT 的世界模型 token 与 do-calculus 结合：在 latent 推理空间对混淆变量施加 do-operator，让"想后果"这一步本身是因果的而非相关的，统一解决 G2+G3。
- **切入的 Gap**：G3 + G2 + Latent-CoT（冷启动靠真实 rollout，长尾无 GT）+ CausalVAD（只 backdoor）。
- **核心技术方案**：
  - latent 推理序列 z = [a_1, w_1, a_2, w_2, ...]，a=action-proposal token，w=world-model token（同 LDrive）。
  - 在 w 上定义因果图：w 受 (a, C) 影响，C 为混淆（天气/地图）。训练时除 GT rollout 监督外，加干预样本：随机 do(C=c') 重标 w，强制模型在 w 预测时剔除 C 的误导（类似 SCIS 但作用于 latent 而非向量化 query）。
  - 目标：L = L_gt(w) + λ·L_do(w; do(C)) + L_rl(闭环)。
  - 与 LDrive 精确 delta：LDrive 的世界模型 token 是相关式（拟合数据分布），CausalLatent 的世界模型 token 是因果式（干预下仍准），且在长尾反事实后果上有 GT 监督来源（用仿真 rollout 而非真实日志）。
- **Novelty Argument**：审稿人或说"Latent-CoT + CausalVAD 拼接"。反驳：核心是把 do-calculus 搬进 latent 推理空间这一机制，且用仿真提供反事实 GT 解决 LDrive 冷启动盲区，是范式而非拼装。
- **实验方案**：
  - 数据集：NAVSIM（非反应式，配 CF-Eval 干预层）、Bench2Drive（闭环）、WOD-E2E 长尾。
  - Baselines（≥4）：Latent-CoT (LDrive)、CausalVAD、Counterfactual VLA、DiffusionDrive。
  - 主表：行=方法，列=PDMS / EPDMS / CRS(雨) / CRS(夜) / 难样本 PDMS / 延迟。
  - 消融（≥4）：(a) 去 L_do→证因果干预增益；(b) latent vs 文本 do→证表示；(c) 仿真 GT vs 真实 GT 冷启动→证长尾补偿；(d) λ 扫描。
  - 分析：干预前后 world-model token 注意力图，证混淆被抑制。
  - 指标：PDMS/EPDMS + CRS（借 Idea 1）。
- **8×L40 可行性**：Qwen2.5-VL-3B/7B + LoRA，latent 头新增 ~200M 参数；SFT 冷启动 ~300 GPU·h，do 干预采样 + RL 后训 ~600 GPU·h，Bench2Drive 闭环 ~300 GPU·h。总 ~1200 GPU·h。降级：去掉 Bench2Drive 闭环、只用 NAVSIM+CRS，~800 GPU·h。
- **风险与退路**：风险是 latent do 训练不稳定、世界模型失真→ fallback：退到"文本 CoT + 显式 do-prompt"的较弱版本，仍发"因果式推理"结论。

### Idea 5：SimCausal-RL——因果正则的闭环 RL 后训练（高风险高回报，Oral 候选）
- **一句话 Pitch**：在 8×L40 上用 CARLA/Bench2Drive 做 RL 后训练，但把 LEAD 的专家-学生对称缩小与因果去混淆正则结合，避免专家自己也带混淆，专攻长尾闭环安全。
- **切入的 Gap**：G8 + G3 + G7 + EE-RL（专家可能带混淆）/ LEAD（未去混淆）/ NoRD（GRPO 难度偏置）。
- **核心技术方案**：
  - 学生 π_θ（传感器），教师 π_E（特权，但先对 π_E 做 CausalVAD 式去混淆，使其不带混淆）。
  - 奖励：r = w_safe·r_coll + w_comf·r_comf + w_prog·r_progress + w_causal·CRS(π_θ)（借 Idea 1 的 CRS 作密集奖励）。
  - 优化：Dr.GRPO（修难度偏置，借 NoRD），组内归一化 + 去 difficulty bias。
  - 与 EE-RL delta：EE-RL 的 VLM 专家未去混淆、StateHash 跳推理可能漏难样本；SimCausal-RL 用因果正则 + 长尾加权 + 反应式 RL。
- **Novelty Argument**：审稿人或说"LEAD + RL 小改"。反驳：核心是"因果正则作为 RL 密集奖励"这一新信号，且专家先去混淆打破"学生模仿带偏专家"的死循环，机制清晰。
- **实验方案**：
  - 数据集：Bench2Drive（CARLA 闭环，公开）、Longest6 v2、Town13、NAVSIM（作开环对照）。
  - Baselines（≥4）：LEAD(TFv6)、EE-RL、TransFuser++、DiffusionDrive。
  - 主表：行=方法，列=Bench2Drive DS / 长尾 DS / 碰撞率 / Town13 DS / 平均 CRS。
  - 消融（≥4）：(a) 去 w_causal→证因果奖励；(b) 教师去混淆 vs 不去→证专家质量；(c) Dr.GRPO vs GRPO→证难度偏置修正；(d) 长尾加权有无。
  - 分析：长尾场景（施工/紧急车）成功案例；CRS 随训练上升曲线。
  - 指标：DS/碰撞率/CRS；人工评难场景。
- **8×L40 可行性**：CARLA 渲染占 1–2 卡，RL 采样 + 3B LoRA 训练并行，约 1500 GPU·h（主实验上限，需降级）。降级：只用 Bench2Drive 子集 + NAVSIM 反事实当 CRS 奖励来源，不跑全 Town13，~900 GPU·h。注意 CARLA 与训练抢卡，用 2 卡仿真 + 6 卡训练 DP。
- **风险与退路**：风险是 CARLA 域差大、真实域不涨→ fallback：只用 NAVSIM 反事实 + 离线 RL（无渲染），仍发"因果奖励改进离线规划"结论。

### Idea 6：ESLI——Ego-Status Leakage Index 与新开环评测任务（新问题/新任务定义，要求1）
- **一句话 Pitch**：把 BEV-Planner 的 ego-status 捷径批判推进为可操作指标：定义 Ego-Status Leakage Index (ESLI)，要求任何开环结果必须报告 ESLI，否则不可信；并提出"反事实开环"新任务。
- **切入的 Gap**：G1 + BEV-Planner（只分析未给标准化指标）/ 要求1（任何 idea 须含闭环或 NAVSIM 反事实）。
- **核心技术方案**：
  - ESLI = 1 − corr( π(scene; ego=e) , π(scene; ego=e') ) / var(π)，即对同一场景扰动 ego 状态（速度×k、航向扰动），看预测轨迹变化占比；ESLI 低=模型靠 ego 状态抄近路。
  - 反事实开环任务：在 NAVSIM/WOD-E2E 上发布"ego-perturbed"切分，评测模型在 ego 状态被扰动但场景语义不变时的轨迹漂移。
  - 与 BEV-Planner delta：BEV-Planner 用手工扰动说明问题，ESLI 给单数字指标 + 标准切分，可被任何论文例行报告（类似 CCR 但更通用）。
- **Novelty Argument**：审稿人或说"只是 BEV-Planner 的指标化"。反驳：提出"反事实开环"这一新评测任务定义与标准化切分，且 ESLI 可被社区采纳为必报项（类似 FLOPs），是社区基础设施贡献，属"提出新问题/新任务"。
- **实验方案**：
  - 数据集：nuScenes（重算所有历史 SOTA 的 ESLI）、NAVSIM、WOD-E2E。
  - Baselines（≥4）：重算 UniAD/VADv2/DiffusionDrive/SpaceDrive/CausalVAD 的 ESLI。
  - 主表：行=方法，列=L2 / 碰撞率 / ESLI / 反事实开环 PDMS / 是否通过红线。
  - 消融（≥4）：(a) ego 扰动幅度扫描→证 ESLI 稳定；(b) 含 vs 不含 ego 状态输入→证泄漏来源；(c) ESLI 与闭环 DS 相关性→证 ESLI 预测真实能力；(d) 不同数据集 ESLI 分布。
  - 分析：散点图 ESLI vs Bench2Drive DS，证低 ESLI 者闭环也差。
  - 指标：ESLI（新）+ 标准指标；人工核对泄漏案例。
- **8×L40 可行性**：几乎纯推理/评测，单卡跑历史模型推理 ~300 GPU·h（含重算），不训练。总 <400 GPU·h。降级：只重算 nuScenes 子集 + NAVSIM。
- **风险与退路**：风险是"ESLI 与闭环相关性弱"→ fallback：发表"ego-status 泄漏仍普遍存在于 2026 SOTA"的分析结论，仍有社区价值。

---

## 4. 优先级建议

| Idea | 新颖度 | 工作量 | 风险 | 8×L40 契合度 | 推荐投稿目标 | 建议启动顺序 |
|---|---|---|---|---|---|---|
| 1 CF-Eval（因果干预验证） | 高 | 中 | 低 | 高（NAVSIM 不占卡） | CVPR/ICCV | 1（先做，喂给其他 idea 的 CRS） |
| 2 AdaptCoT（CoT 受控证伪） | 极高（调和争论） | 中 | 中 | 高（3B LoRA） | CVPR Oral 候选 | 2 |
| 3 LongTailLoop（长尾闭环） | 中高 | 中 | 中 | 高 | ICCV/CVPR | 3 |
| 4 CausalLatent（潜空间因果推理） | 极高 | 高 | 高 | 中（需闭环 RL） | CVPR Oral 候选 | 5 |
| 5 SimCausal-RL（因果闭环 RL） | 高 | 高 | 高 | 中（CARLA 抢卡） | CVPR/NeurIPS | 6 |
| 6 ESLI（新评测任务） | 高（基础设施） | 低 | 低 | 极高（只推理） | CVPR/ICLR | 4（低成本先发，立红线） |

**梯度达成**：低风险稳定中稿型 = Idea 1、3、6（共 3 个，满足 ≥2）；高风险高回报 Oral 型 = Idea 2、4、5（满足 ≥2，其中 2 调和争论、4/5 机制深）；新问题/新任务定义型 = Idea 6（满足 ≥1）。

**执行建议**：先并行启动 Idea 6（立红线、重算历史 SOTA 的 ESLI，几乎不占卡）与 Idea 1（建 CRS 协议），二者产出的指标直接作为 Idea 2/3/4/5 的必报项，形成"评测基础设施 → 方法"的连贯故事线，且天然满足要求1（每个 idea 都含闭环或 NAVSIM 反事实）。所有 VLA 类 idea 统一 backbone 为 Qwen2.5-VL-3B+LoRA（token 预算：6 相机×2 关键帧×224 分辨率，经 Q-Former/token-merge 压到 ~3k 视觉 token），保证 8×L40 上 DP+LoRA 可行、单卡 48GB 够装。