易控智驾与中科院端到端自动驾驶方案入选CoRL 2025

近日，旨在分享和探讨机器人技术与机器学习交叉领域最新进展的国际顶级机器人学习会议CoRL 2025（Conference on Robot Learning）论文接收结果揭晓。易控智驾研发团队与中科院自动化所深度强化学习团队联合提出的端到端自动驾驶方案《ReasonPlan: Unified Scene Prediction and Decision Reasoning for Closed-loop Autonomous Driving》成功入选。该论文提出的方案在复杂交互场景中，尤其是决策推理方面展现出突破性进展，有望推动自动驾驶迈向更高水平的智能化，是易控智驾探索最新人工智能算法，引领矿山无人驾驶行业技术发展的重要体现。

ReasonPlan： 突破复杂交互场景瓶颈 让自动驾驶看得懂、会思考

在复杂的道路环境中，传统端到端自动驾驶方法往往难以实现诸如超车、绕行等强交互行为。这类行为不仅要求自动驾驶车辆具备精准的感知能力，更需要深入理解场景，预测其他交通参与者的意图，并规划出合理且安全的轨迹，这样才能实现接近人类驾驶的灵活性与安全性。然而，现有端到端方法通常只依赖模仿人类驾驶员的轨迹数据，缺乏真正的因果推理能力。当面对罕见或极端复杂的陌生场景时，这些模型往往大打折扣。

针对这一核心挑战，易控智驾与中科院团队创新性地提出了端到端自动驾驶方案——ReasonPlan。该方案的技术创新点：

提升环境理解与安全性判断：ReasonPlan通过分析已知环境数据，自我学习如何预测周围交通环境的变化，更精准地判断安全可行的行驶空间。

结构化链式推理规划：与传统“端到端”模型直接给出驾驶指令不同，ReasonPlan采用链式推理方式进行车辆行驶规划，即将复杂问题拆解为多个子问题，并按照步骤推理解决。这种方法让ReasonPlan如同拥有了“思考过程”，即使在面对全新的道路结构或异常行为时，也能依据逻辑而非单纯经验做出合理判断，有效避免了传统模仿学习方法常出现的“因果混淆”问题。

权威测试验证：性能领先泛化卓越

在业内权威的“Bench2Drive”测评中（国际首个全面模拟真实驾驶情况的“端到端”自动驾驶评估平台），ReasonPlan方案以64.01分的高分表现出色，核心指标大幅领先行业顶尖水平。其中，衡量自动驾驶模型与人类驾驶标准之间差异的核心指标之一——L2误差降低了16.44%，意味着其驾驶决策更趋近人类的安全与灵活风格。

同时，在DOS基准（由多种遮挡事件组成的驾驶模拟基准）零样本泛化测试中，ReasonPlan展现出强大的适应性。它无需针对从未见过的新场景进行额外学习训练，就能够有效处理，充分证明了方案的强大鲁棒性。

未来，易控智驾将把ReasonPlan方案的先进技术逐步应用于无人驾驶矿卡解决方案中，以提升无人矿卡在动态变化的复杂矿山运输环境下的行为表现，如标准工艺流程之外的工程机械临时交互场景、作业面推进出现的非规则路口场景，极大提升车辆在非预设场景下交互的应变合理性与行为安全性，为矿山安全高效的生产提供更强大技术保障。

原文标题：易控智驾与中科院合作成果入选顶会！ReasonPlan：突破复杂交互场景瓶颈

文章出处：【微信公众号：易控智驾】欢迎添加关注！文章转载请注明出处。