Изображение с камеры напрямую превращается в траекторию — в этом главное обещание сквозных планировщиков вождения. Однако за кажущейся простотой часто прячется неприятный сюрприз: модель, выучившая поведение водителя по записям, может находить более лёгкий способ «угадать» правильное действие, чем честный анализ дорожной ситуации. Вместо причинно-следственных связей она нередко использует статистические совпадения, которые встречаются в обучающих данных.
Почему сквозной планировщик цепляется за случайные детали
Сквозные планировщики обучаются по принципу имитации: им показывают примеры действий эксперта и ожидают, что они воспроизведут те же решения в сходных условиях. Такой подход работает, пока в данных достаточно разнообразия. Беда в том, что рядом с траекторией эксперта почти всегда находятся объекты, которые лишь косвенно связаны с манёвром. Это может быть придорожный знак, фасад здания, характерное ограждение или даже обычный столб.
Если в обучающей выборке такой объект регулярно появляется в моменты, когда водитель, например, тормозит или перестраивается, планировщик запоминает эту связь. С формальной точки зрения модель находит статистическую закономерность там, где ожидалась каузальная: она начинает считать объект причиной действия, тогда как на самом деле он лишь сопутствует ему. В обычных сценариях это не заметно, потому что корреляция совпадает с реальным поведением. Но как только дорожная ситуация становится редкой — «длиннохвостой», — ложная зависимость даёт о себе знать: модель может затормозить там, где нужно ехать, или наоборот.
Такая каузальная путаница — тихая и коварная. Она не проявляется как явная ошибка на стандартных тестах, а снижает устойчивость именно в нестандартных ситуациях, на которые рассчитаны современные системы помощи водителю. Поэтому просто добавить больше примеров в датасет обычно не получается: модель всё равно будет искать любые корреляции, если они помогают снизить ошибку на обучающей выборке.
Почему open-loop метрики не показывают истинную причину
Как понять, на что именно смотрит планировщик при принятии решения? Самый простой способ — прогнать его на записанных сценариях и измерить классические open-loop метрики: среднеквадратичное отклонение траектории (L2) и частоту столкновений. Именно эти параметры чаще всего используют при оценке автономного вождения. Но, как показывают исследования, такие метрики почти полностью определяются текущим состоянием самого автомобиля: его положением, скоростью и ускорением. Они не дают ответа на вопрос, какие элементы сцены повлияли на манёвр.
Представьте двух планировщиков: один осторожно объезжает пешехода, другой тормозит из-за яркого пятна на асфальте, которое случайно часто встречается рядом с пешеходами в данных. На open-loop метриках оба покажут низкую ошибку L2 и нулевую аварийность — потому что выходные траектории похожи. Но во втором случае система бесполезна в реальном мире: как только встречается сцена без «спуриусного» сигнала, планировщик теряет ориентацию. Обычные метрики этого не видят, поэтому и не могут предупредить о хрупкости поведения.
Каузальный аудит без переобучения
Чтобы выявить ложную зависимость, нужны каузальные интервенции: нужно вмешиваться в сцену, менять в ней отдельные элементы и смотреть, как меняется решение. Логика проста: если после замены незначимого фонового объекта планировщик резко меняет траекторию, значит, он опирался именно на этот объект. Но классические методы каузального анализа требуют переобучения модели: для каждой интервенции приходится заново обновлять веса большой нейросети. Для уже развёрнутого планировщика это невозможно — ни у кого в реальной эксплуатации нет лишних ресурсов на переобучение после каждого теста.
Авторы предложения, скрывающегося за аббревиатурой CADET, решили пойти другим путём. Их фреймворк работает без обучения (training-free) и может исследовать предобученные сквозные планировщики без малейшего обновления параметров. Вместо изменения весов CADET использует продуманные интервенции в самой сцене и отслеживает, как реагирует выход планировщика.
Этот подход открывает три возможности сразу:
- аудит — выявление конкретных объектов, на которые планировщик полагается некорректно;
- бенчмаркинг — сравнение разных планировщиков по степени «зашумлённости» их решений;
- корректировка — ослабление влияния ложных признаков на выход, снова без дообучения.
Получается универсальный инструмент диагностики, который можно применить к любой уже готовой модели. Вместо того чтобы тестировать систему только на статистику ДТП, разработчик получает механизм, который вскрывает причину потенциальной аварии ещё до того, как она случится. Особенно ценно это для длиннохвостых сценариев, где собрать полный набор реальных примеров практически невозможно.
Что делает такой подход полезным на практике
Для инженеров, которые внедряют сквозного планировщика в автомобиль, важна не только точность на тестовых треках, но и предсказуемость поведения. CADET позволяет отвечать на вопрос «почему система выбрала эту траекторию» — и делать это до развёртывания в реальном транспорте. Не нужно ждать, пока редкая ситуация проявится на дороге; достаточно провести серию целенаправленных интервенций в виртуальной среде и увидеть слабые места.
Такой аудит меняет и подход к разработке. Если у вас есть две кандидатные модели с примерно одинаковыми open-loop метриками, раньше выбор был почти случайным. Теперь можно посмотреть, какая из моделей реже обращает внимание на случайные признаки, и предпочесть именно её. Даже если вторая модель формально точнее на стандартных тестах, каузально более «чистая» система с большей вероятностью выдержит контакт с реальным миром и его бесконечным разнообразием.
Показательно, что работа, появившаяся в 2026 году, уже предлагает законченный инструментарий, а не просто описывает проблему. Сквозные планировщики — одно из самых перспективных направлений в автономном вождении, но их применимость в промышленности напрямую зависит от того, можем ли мы понять внутреннюю логику их решений. Без каузального аудита высокая точность на стандартных сценариях остаётся лишь удачным совпадением, а не гарантией безопасности.
