CausalVAD：通过因果干预解混端到端自动驾驶

面向规划的端到端驾驶模型虽前景广阔，但主要学习统计相关性而非真实因果关系，导致因果混淆及安全隐患。为此，本文提出 CausalVAD，一种利用因果干预的解混训练框架。其核心是稀疏因果干预方案（SCIS），这是一种轻量级即插即用模块，旨在神经网络中实现后门调整理论。SCIS 构建代表潜在驾驶情境的原型字典，并据此干预模型的稀疏向量查询，主动消除由混杂因素引起的虚假关联。实验表明，该方法在 nuScenes 等基准上取得了最先进的规划精度和安全性，并对数据偏差及噪声场景展现出卓越的鲁棒性。