核心发现
方法论
作者通过重现AD-MLP模型，去除历史轨迹信息，仅利用ego状态（速度、偏航角等）进行路径预测。提出新路边偏离指标，分析nuScenes数据中简单直行场景的偏倚。比较多种模型，包括纯ego状态模型和融合感知信息的模型，采用L2距离、碰撞率和新指标评估。深入分析模型对ego状态的过度依赖，揭示数据偏差和指标局限性。提出简单基线BEV-Planner，验证无需感知标注也能取得竞争性能。
关键结果
- 仅依赖ego状态的Ego-MLP模型在nuScenes上与复杂模型表现相当，L2距离约为0.35米，碰撞率低于1%，显示ego状态在直行场景中具有极强的偏倚。新指标显示模型偏离道路的频率高于预期。剔除感知信息后，模型性能变化不大，反映数据偏差导致的过拟合。引入地图感知反而降低性能，说明现有指标未能全面反映路径合理性。
- 多模型对比显示，加入ego状态的模型在复杂场景中表现优于纯感知模型，但整体依赖度过高。通过扰动ego速度，模型对路径预测的敏感性显著增强，安全性存疑。提出的基线模型在不依赖感知的情况下，仍能达到行业领先水平，挑战了感知在路径规划中的必要性。
- 分析表明，nuScenes数据偏向直行场景，导致模型过度依赖ego状态。现有评估指标未能惩罚偏离道路的危险轨迹，误导研究方向。未来应设计更全面的指标，减少数据偏差影响，推动感知与规划的深度融合。
研究意义
本研究揭示了当前端到端自主驾驶研究中“只靠ego状态”的偏见，强调数据偏差和指标不足可能导致误导性结论。对行业而言，提示应重新审视模型设计与评估体系，避免过度依赖单一状态信息。学术上，推动对数据多样性和指标全面性的关注，有助于实现更稳健的自主驾驶系统。未来，结合多源信息、优化评估指标，将成为提升路径规划可靠性的关键。
技术贡献
提出只用ego状态进行路径预测的基线模型，验证其在nuScenes上的竞争力。引入新路边偏离指标，补充传统L2和碰撞率评估的不足。系统分析数据偏差对模型偏倚的影响，揭示现有方法的潜在局限。建议行业重视数据多样性和指标设计，推动感知与规划的深度融合。模型设计简洁，验证了复杂感知信息未必在所有场景中必要，为端到端自主驾驶提供新思路。
新颖性
首次系统分析nuScenes数据中直行场景偏倚对模型的影响，强调ego状态在开环路径预测中的主导作用。提出新指标评估路径合理性，挑战现有依赖感知的模型假设。通过简洁模型验证感知信息的边际贡献，推动对数据偏差和指标局限的反思。这些创新为自主驾驶模型的公平评估提供了新视角。
局限性
- 模型主要在nuScenes数据集上验证，场景偏倚可能限制其泛化能力。数据偏差导致模型过度依赖ego状态，难以反映复杂交通环境。新指标虽补充了道路偏离，但未涵盖所有安全风险。未来需在多样化数据和更全面指标上进行验证，提升模型的实用性和鲁棒性。
未来方向
建议未来研究结合多源感知信息，设计更全面的评估指标，减少数据偏差影响。探索多场景、多任务训练策略，提升模型泛化能力。推动感知与规划的深度融合，强化模型对复杂环境的适应性。此外，建立更真实的闭环仿真平台，验证模型在实际场景中的表现，确保安全性与可靠性。
AI 总览摘要
当前端到端自主驾驶研究中，许多方法在nuScenes数据集上取得了令人瞩目的成绩，但这些结果可能受限于数据偏差和评估指标的不足。本文深入分析发现，绝大部分nuScenes场景为直行，导致模型过度依赖ego状态（如速度、偏航角）进行路径预测。这种偏差使得纯ego状态模型（如Ego-MLP）在指标上表现优异，甚至与复杂感知模型相当，暴露出数据偏差对模型的影响。作者提出新指标——路边偏离率，补充传统的L2距离和碰撞率，强调模型在偏离道路方面的潜在风险。通过系统扰动ego速度和感知输入，发现模型对ego状态异常敏感，安全性存疑。研究还验证了无需感知信息的简洁模型在某些场景下依然具有竞争力，挑战了感知在路径规划中的必要性。整体来看，本文呼吁行业和学术界重新审视数据偏差和评估指标，推动多源信息融合和指标多样化，未来在复杂交通环境中实现更稳健的自主驾驶系统。
深度分析
研究背景
自主驾驶技术经历了从感知到规划的逐步演进，深度学习模型如Lift-Splat-Shoot、BEVFormer等在感知精度上取得突破。端到端学习方法试图简化流程，减少手工特征提取，提升效率。近年来，基于nuScenes等真实数据集的开环评估成为主流，促进模型在复杂场景中的应用。然而，感知与路径规划的关系、数据偏差和评估指标的局限性仍未得到充分解决，影响模型的可靠性。
核心问题
现有研究中，模型在nuScenes数据集上表现出对ego状态的过度依赖，尤其在直行场景中表现优异，但在复杂环境下可能失效。评估指标如L2距离和碰撞率未能全面反映路径合理性，偏离道路的危险轨迹未被充分惩罚。这导致研究结果偏向简单场景，忽视了多样化交通环境的挑战，限制了模型的实际应用。
核心创新
本研究提出纯ego状态路径预测基线（Ego-MLP），验证其在nuScenes上的竞争力。引入新指标——路边偏离率，补充传统指标，全面评估路径合理性。深入分析数据偏差导致模型偏倚，揭示现有指标的不足。强调数据多样性和指标多元化的重要性，推动感知与规划的深度融合，提出简洁高效的模型设计思路。
方法详解
- �� 生成BEV特征，结合历史帧信息（不对齐）• 利用交叉注意力机制，将BEV特征与可学习的ego查询融合• 通过MLP预测最终轨迹• 设计新指标衡量轨迹偏离道路的频率• 比较纯ego状态模型与融合感知模型• 采用L2距离、碰撞率和偏离指标进行评估• 通过扰动ego速度和感知输入，分析模型对不同信息的敏感性• 设计简单基线模型验证感知信息的边际贡献。
实验设计
采用nuScenes数据集，重点在直行场景，使用L2距离、碰撞率和新指标评估模型性能。模型训练采用R50骨架，输入分辨率256×704，BEV分辨率128×128，训练12轮，批次32。对比多种模型，包括纯ego状态和感知融合模型。引入扰动测试，验证模型对ego状态和感知输入的敏感性。通过不同场景和扰动条件，分析模型鲁棒性和安全性。
结果分析
纯ego状态模型在nuScenes上L2距离约为0.35米，碰撞率低于1%，偏离道路频率高。引入扰动后，模型对ego速度异常敏感，路径偏离显著增加。新指标显示模型偏离道路的频率高于预期。无需感知信息的简洁模型表现优异，挑战了感知在路径规划中的必要性。整体结果表明，数据偏差和指标不足可能误导模型评估，强调多源信息融合的重要性。
应用场景
该研究为自主驾驶系统提供了低成本、高效的路径预测方案，适用于资源有限的场景。通过强调数据偏差和指标设计，推动行业在模型评估上的改进。未来，结合多源感知和更全面的指标，将有助于实现更安全、稳健的自动驾驶技术。
局限与展望
模型主要在nuScenes数据集验证，场景偏倚限制其泛化能力。新指标未涵盖所有安全风险，可能低估偏离道路的危险性。模型对复杂交通环境的适应性有限，未来需在多样化数据和指标上进行优化。
通俗解读 非专业人士也能看懂
想象你在一个工厂里工作，工厂里有很多不同的机器和流程。每个机器都在做自己的事情，但有时候工厂的管理者只看工厂的整体状态，比如机器的速度和温度，而不去关注每个细节。这个管理方式虽然简单，但可能会忽略一些潜在的问题，比如某台机器可能快要坏掉。类似地，自动驾驶系统也可以只依赖车辆的速度和方向来决定下一步，但这可能会带来危险。研究发现，很多模型只用这些简单的车辆状态就能表现不错，但实际上它们可能忽略了复杂环境中的细节，比如道路偏离或障碍物。为了确保安全，系统还需要考虑更多信息，比如道路边界和其他车辆的行为。就像工厂管理者需要全面了解工厂的情况一样，自动驾驶也需要多角度、多信息源的支持，才能真正安全可靠。这个研究提醒我们，不要被表面成绩迷惑，要关注数据的多样性和评估的全面性，才能让自动驾驶技术走得更远、更稳。
简单解释 像给14岁少年讲一样
想象你在玩一个赛车游戏，你只看你的车速和转向，就能赢得比赛吗？当然不能！你还得注意路上的障碍、其他车的位置，甚至路边的边界。很多自动驾驶模型就像只看车速的玩家，它们只用车辆的速度和方向来决定下一步，结果看起来还不错，但其实很危险。研究发现，这些模型在nuScenes数据集上表现很好，原因是大部分场景都是直线行驶，模型只需要简单的状态信息就能“骗过”评估指标。可是，一旦遇到复杂的交通环境，比如弯道或障碍物，单靠这些信息就不够了。更糟糕的是，现有的评估指标也不能完全反映路径的安全性，比如偏离道路的危险轨迹没有被充分惩罚。这个研究提醒我们，真正安全的自动驾驶，不仅要看车辆的状态，还要考虑道路边界、障碍物等多方面信息。就像赛车游戏里，要用多种技巧才能赢，自动驾驶也需要多源信息的支持，才能在真实世界中安全行驶。未来，我们要设计更全面的测试，让模型学会在各种复杂场景中都能安全应对。
原文摘要
End-to-end autonomous driving recently emerged as a promising research direction to target autonomy from a full-stack perspective. Along this line, many of the latest works follow an open-loop evaluation setting on nuScenes to study the planning behavior. In this paper, we delve deeper into the problem by conducting thorough analyses and demystifying more devils in the details. We initially observed that the nuScenes dataset, characterized by relatively simple driving scenarios, leads to an under-utilization of perception information in end-to-end models incorporating ego status, such as the ego vehicle's velocity. These models tend to rely predominantly on the ego vehicle's status for future path planning. Beyond the limitations of the dataset, we also note that current metrics do not comprehensively assess the planning quality, leading to potentially biased conclusions drawn from existing benchmarks. To address this issue, we introduce a new metric to evaluate whether the predicted trajectories adhere to the road. We further propose a simple baseline able to achieve competitive results without relying on perception annotations. Given the current limitations on the benchmark and metrics, we suggest the community reassess relevant prevailing research and be cautious whether the continued pursuit of state-of-the-art would yield convincing and universal conclusions. Code and models are available at \url{https://github.com/NVlabs/BEV-Planner}