在端到端（E2E）自主驾驶规划中，模仿训练的规划器往往会受到统计捷径的影响：它们将仅仅共现的场景元素（如路边物体、建筑外立面）与驾驶决策关联，而忽视了那些因果决定它们的变量。这种因果混淆在长尾场景中悄然削弱了可靠性，并且难以检测，因为现有的开放式指标（如L2位移和碰撞率）主要受自主状态影响，无法指示规划器是否依赖于虚假的线索。现有的基于因果干预训练的解决方案需要重新训练大型模型，且无法审计已经部署的规划器。为此，我们提出了CADET，一个免训练的框架，可以在不更新任何参数的情况下，对预训练的E2E规划器进行审计、基准测试和修复其对虚假依赖的情况。
博主点评： CADET框架的提出为解决端到端自主驾驶中的因果混淆问题提供了一种创新的思路，避免了繁琐的模型重训练。同时，该方法能有效审计和修复已部署系统的不足，具有重要的实用价值和研究意义。其无训练特性也使得在真实环境中的应用更为便捷。