IROS 2025 | Waymo与谷歌DeepMind联手提出Drive&Gen：用生成视频评估自动驾驶，虚拟测试更逼真

文章来源：我爱计算机视觉（ID：aicvml）

最近，自动驾驶领域迎来了两位“新玩家”：端到端（End-to-End, E2E）驾驶模型和视频生成模型。E2E模型试图用一个“大模型”直接从传感器输入预测驾驶操作，大大简化了传统复杂的模块化系统；而视频生成模型则为我们描绘了一个美好的前景——在虚拟世界里无限“免费”地测试自动驾驶。

但问题也随之而来：AI生成的视频真的足够“真实”，能骗过自动驾驶系统，并用来做严肃的评估吗？我们又该如何深入了解E2E驾驶模型的“脾气”，修复它的短板，让它在没见过的新场景（比如突然的暴雨天）里也能从容应对？

为了回答这些问题，来自约翰霍普金斯大学、Waymo和谷歌DeepMind的研究者们联手，在即将于IROS 2025会议上发表的论文中，提出了一个名为 Drive&Gen 的新框架。这个名字很直白，就是将 驾驶（Drive） 和 生成（Gen） 结合起来，旨在连接E2E驾驶模型和生成式世界模型，共同评估和提升彼此。

论文 : Drive&Gen: Co-Evaluating End-to-End Driving and Video Generation Models

传统的自动驾驶系统像一个部门林立的大公司，感知、预测、规划等模块各司其职，虽然稳定，但流程繁琐，一个环节出错就可能影响全局。而E2E模型就像一个全能的创业团队，直接从摄像头画面等原始输入，一步到位输出驾驶决策，简洁高效，潜力巨大。

与此同时，视频生成模型的进步让我们看到了构建“数字孪生”世界的希望。如果能随心所欲地生成各种天气、光照、交通状况的驾驶视频，无疑将大大降低路测成本和风险，加速自动驾驶的迭代。

然而，理想很丰满，现实却很骨感。一方面，我们很难判断生成的视频在“驾驶模型”眼中是否真实。人眼看着没问题，可能在模型看来却漏洞百出。另一方面，E2E模型像个“黑箱”，我们虽然知道它很强，但不知道它到底学到了什么，有什么偏见，以及在面对训练数据里很少见的场景（即“分布外”场景）时，它能否做出正确决策。

Drive&Gen框架正是为了解决这一矛盾而生。它巧妙地将两者结合：用E2E规划器作为“考官”，去评估生成视频的真实性；反过来，再利用生成模型的可控性，创造出各种“极限挑战”场景，去诊断和提升E2E规划器的能力。

Drive&Gen：如何让虚拟照进现实？

Drive&Gen的核心思想是“协同评估”。它包含一个可控的视频生成模型和一个E2E驾驶规划器。

可控的视频生成

研究者们扩展了一个名为W.A.L.T的视频扩散模型，使其能够接受多种条件的控制，生成高度定制化的驾驶视频。

这个模型的输入控制信号非常丰富，包括：

• 场景布局 : 道路地图、车辆的位置和大小（即边界框）、自车姿态。

• 运行条件 : 一天中的具体时间（通过更精确的太阳角度来控制光照）、天气（如下雨或晴天）。

通过这些控制，模型不仅能复现和真实视频几乎一样的场景，还能“凭空”创造出真实世界中不存在的场景，比如将一个晴朗的白天场景无缝切换到大雨滂沱的午夜。

如何量化生成视频的“真实性”？传统的视频质量指标如FVD（Fréchet Video Distance）并不完全适用，因为它更关注像素层面的分布差异，而无法衡量视频是否符合驾驶逻辑。

为此，论文提出了一个全新的评估指标——行为置换检验（Behavioral Permutation Test, BPT）。这个方法非常巧妙，它的核心思想是：如果一个生成的视频足够真实，那么E2E驾驶模型在看到这个生成视频和它对应的真实视频后，应该做出基本相同的驾驶决策。

具体来说，BPT会比较规划器在真实视频和生成视频上预测出的轨迹集合。如果两个轨迹集合的差异很小，小到像是在一个集合内部随机抽样产生的波动，那么BPT就判定生成视频“骗”过了规划器，是足够真实的。

实验证明，BPT比FVD和ADE（平均位移误差）等传统指标更能捕捉到影响驾驶决策的关键差异。例如，当移除场景中的车辆（边界框）信息时，生成的视频内容会大变，此时BPT和ADE指标都会显著恶化，而FVD指标却变化不大，说明FVD没能抓住重点。

有了可靠的评估方法和可控的生成模型，研究者们进行了一系列实验，证明了Drive&Gen框架的价值。

评估生成视频质量

他们验证了生成视频的质量。在与真实视频相同的条件下，模型生成的视频能够让规划器产生非常相似的轨迹预测。BPT的“失败拒绝率”达到了 69.62%（理论上限为95%），这说明在大多数情况下，规划器无法区分真实视频和生成视频。

诊断并提升E2E规划器

更重要的价值在于，Drive&Gen可以用来诊断和提升E2E规划器的泛化能力。研究者们利用生成模型，创造了大量真实数据中稀缺的“分布外”场景，如雨天和夜晚。

他们将这些合成数据与少量真实数据混合，用来微调E2E规划器。结果令人振奋：

• 整体性能提升 : 加入合成数据后，规划器在真实世界验证集上的5秒平均位移误差（ADE@5s）从0.7548降低到了 0.7333 。

• 雨天场景 : 在雨天这个典型的分布外场景中，性能提升尤为明显，ADE@5s从0.8536降低到 0.8382 。

• 夜间场景 : 在夜间场景下，性能同样得到改善，ADE@5s从0.7372降低到 0.7101 。

定性结果也同样说明了问题。如下图所示，原始模型在绿灯前会犹豫不决地停车，或者在绕过停靠车辆时动作迟缓；而经过合成数据微调后，模型能做出更果断、更安全的驾驶决策。

这些实验有力地证明，高质量、可控的合成数据是一种极具成本效益的方案，能够有效弥补真实世界数据的不足，帮助自动驾驶模型拓展其运行设计域（Operational Design Domains, ODD）。

CV君觉得，这项工作最核心的贡献在于，它不仅仅是展示了一个更酷的视频生成模型，而是为“生成式AI如何赋能自动驾驶研发”这一核心问题，提供了一套系统性的评估和优化方法论。它让我们离那个“在元宇宙里训练和测试自动驾驶”的未来又近了一步。

大家对这种用生成数据来“考验”和“训练”自动驾驶的方法怎么看？欢迎在评论区留下你的看法！