ForeseeDrive 为生成式自动驾驶规划器提供简洁线索，帮助其判断周边交通和道路空间可能如何变化，并在生成候选路径之前利用这些线索。在三项驾驶基准测试中，该方法报告了较强的规划成绩；与此同时，受控测试也说明预判需要安全约束：未来信息可以改变生成哪些机动方案，但如果证据无关，就不应干扰原本可靠的规划。
目录
研究人员构建了什么？
ForeseeDrive 让生成式驾驶规划器能够了解场景可能如何发展，而不只是看到当前时刻的场景快照。它将相关信息表示为一组紧凑的“未来令牌”。每个令牌回答一个与规划有关的问题，例如另一辆车是否正变得与选定路线相关、路径通道是否可能受阻，或交互是否即将达到碰撞时间阈值。
该系统从记录的驾驶数据中学习这些线索。在训练期间，记录下来的未来场景为交通参与者移动、道路占用空间变化、路线交互和碰撞时间提供示例。部署时，规划器不会获得这些未来记录，而是由预测器根据当前和近期观测、地图及规划路线来估计令牌。
这些令牌会在规划器生成候选路径之前输入系统。这个时机至关重要：未来信息不只是改变规划器对既有路径的排序，还能影响它最初生成哪些路径。该设计还加入了保护机制，旨在当未来线索几乎没有帮助时，维持基线系统的良好表现。
ForeseeDrive 报告了哪些结果？
论文在三项评估设置各不相同的基准测试中报告了结果。NAVSIM 衡量闭环规划质量；nuScenes 报告开环轨迹精度和碰撞情况；Bench2Drive 则评估跨场景驾驶表现。下表列出论文报告的基准测试结果。
| 基准测试 | 报告结果 |
|---|---|
| NAVSIM navtest | 89.2 PDMS; 83.5 EP |
| nuScenes validation planning | 0.41 m average L2; 0.05% collision rate |
| Bench2Drive | 76.50 driving score; 53.06 success rate |
这些数字不应被视为跨基准测试的直接排名：每项测试都有自己的协议和指标。所提供的论文文本没有给出这些结果对应的可比基线数值，因此不足以准确判断相较于先前系统的提升幅度。
受控测试有助于解释该方法的行为。将未来令牌设为零值后，基线规划器生成的候选项得以完全保留。在加入保留约束的情况下，与场景一致的未来信息在部分规划评分上略优于打乱后的未来信息，表明这种信号不能被任意令牌替代。不过，从固定候选集中进行选择时，能够达到的最佳结果则表现不一。这一区别印证了论文的核心观点：未来信息可以引导规划器考虑哪些方案，但并不保证每次测试中都能找到更好的路径。
未来令牌条件化如何运作？
该方法分为两个阶段：先教会系统未来相关线索是什么样的，再根据运行时可用的信息预测这些线索。
训练时，系统以记录的驾驶场景作为监督信号来源。对于每个预定义查询，系统根据记录时刻之后发生的情况推导目标。查询代表具体的规划关注点，而不是要求逐帧重建整个未来。目标包括周边交通参与者如何移动、占用空间如何变化、交通状况与路线有何关联，以及距离潜在碰撞还剩多少时间。固定这些查询后，便可以训练预测器，为每个查询估计相应的令牌。
运行时，系统仅使用当前和过去的观测、地图及路线来预测令牌。随后，规划器会在候选轨迹具体生成之前接收这些估计。实际而言，未来信号能够塑造正在考虑的机动方案集合，例如影响其几何形状，或决定其中包含哪种驾驶模式，而不只是为预先固定的方案列表重新打分。
该方法设置了三重约束，以减少不必要的改变。第一，零值令牌会产生精确的无操作效果：基线候选项保持不变。第二，保留损失会在未来证据薄弱或无关时，抑制规划器偏离基线候选项。第三，碰撞时间防护机制针对的是路径的微小变化跨越安全评分边界的情况，而不是在所有情况下都一概偏向更大的安全间距。
一个回放示例说明了为何这一防护机制针对性很强。一条候选路径经过一辆投影车辆时，间距仅约为 0.011 metres。令牌驱动的变化均方根约为 0.037 metres，就足以让轨迹在自车时间 4.0 seconds 时跨越基准测试的碰撞时间边界。这个例子表明，即使整体轨迹看起来相似，细微的几何变化也可能显著改变安全评分。
这对机器人技术为何重要？
许多机器人都必须在持续变化的场景中行动。配送车辆、移动机器人或自动驾驶汽车不仅要选择当下可行的路径，还要确保随着行人、车辆和障碍物移动，路径仍然可行。ForeseeDrive 探索了一种介于密集未来模拟与单一风险评分之间的实用方案：针对具体行动决策，提供关于重要未来事件的简洁线索。
在生成阶段引入未来信息，也改变了“预判”能够发挥的作用。如果规划器只对固定路径列表打分，就无法选择一个从未进入列表的机动方案。对生成过程进行条件化，便让未来证据有机会改变可选方案。这一思路也可能适用于其他移动机器人场景，例如路线可达性或自由空间会随时间变化的系统，包括仓储机器人类别中的系统。这是一种潜在联系，并非本项驾驶研究验证的结果。
对于工程师而言，论文中的保护机制与预测机制同样重要。实用的预判式规划器需要在未来交互改变正确决策时作出响应，同时避免因嘈杂或无关的估计而扰动良好规划。精确的无操作行为和针对性的边界检查，为如何平衡这些目标提供了具体的设计思路。
有哪些局限和待解问题？
基准测试分数并不能证明 ForeseeDrive 安全或已准备好部署于公共道路。论文也明确提出，需要进行闭环验证、安全监控、冗余设计和人工监督。预测令牌可能出错或校准不佳；如果规划器对其反应过度，条件化机制可能引入新的失效模式。
这些证据在与其他规划器比较时也有局限。报告的基准测试数值依赖各自的测试协议，所提供的文本没有给出相匹配的基线数值。受控生成带来的提升被描述为较小，而预言机最优质量的结果则不一。一些固定候选项实验显示仍有提升空间，但可部署的选择器并未稳定地实现这些收益。针对特定路线的工程测试和未完成的评分器训练实验，明确不属于主要基准测试结论的范围。后续工作需要证明，这些令牌在不同场景、路线和闭环条件下能否可靠地改善决策。
常见问题有哪些？
ForeseeDrive 中的未来令牌是什么？ 它是对规划相关未来状况的紧凑估计，例如某个交通参与者是否可能影响路线，或某个通道是否可能受到阻碍。
驾驶过程中，规划器会使用记录下来的未来数据吗？ 不会。记录的未来数据用于生成训练目标；运行时，预测器根据当前上下文、地图和路线信息来估计令牌。
这与对候选路径重新排序有什么不同？ 重新排序只会改变已生成路径的先后顺序。ForeseeDrive 会在生成过程中输入未来线索，因此这些线索能够影响哪些候选路径会出现。
这些结果能证明系统可以安全部署吗？ 不能。基准测试表现和受控测试无法证明部署安全，也不能替代广泛的闭环验证。
核心结论是什么？
ForeseeDrive 检验了对未来交通状况的紧凑预测能否在驾驶规划器生成路径之前影响规划。其基准测试结果和受控诊断为这一方向提供了支持，同时也表明，保留基线表现的保护机制和现实环境中的安全验证仍不可或缺。
未来预测应在何处影响机器人的选择，又应在何处让已验证的规划保持不变？