超越规划：控制在环的可微端到端自动驾驶

基于摘要分析。本文研究端到端自动驾驶中轨迹规划与车辆控制之间的梯度断裂问题，提出 DIVA（Differentiable Identified Vehicle dynamics for end-to-end Autonomous driving），将辨识得到的执行器级车辆模型嵌入训练，使感知网络能够通过车辆状态反馈接受端到端优化。研究对象是自动驾驶闭环控制，不是 EEG 解码或 BCI。 核心机制包括：以学习式控制解码器替代外部手工调节的跟踪控制器，使用动力学滚动预测的车辆状态进行监督，绕开粗采样专家控制输入标签造成的混叠；以速率一致的控制输入参数化协调高频控制与低频重规划。作者报告，该设计支持异步执行，控制独立运行周期为 3.8 ms，但摘要未交代相应硬件与计时条件。此外，on-policy 重新辨识用于应对训练时分布偏移，在线扰动观测器用于应对部署时车辆模型失配。 作者报告，在闭环 Bench2Drive 评估中，DIVA 的 driving score 为 86.7，比摘要所称的广泛采用的先进方法高 3.3 分，同时平均 jerk 接近减半、制动切换减少 64%；对照方法名称和具体配置尚未验证。作者还报告，在部署车辆模型显著失配时保持更好的路径跟踪精度，但摘要未给出失配幅度及对应误差指标。实验协议、消融及统计信息尚未验证，亦需核对动力学辨识数据、状态监督来源及在线更新条件。 平台推测（待验证）：若用于 BCI 驱动的机器人或辅助设备闭环控制，可借鉴的机制是“可微执行器动力学—状态监督—在线失配补偿”，而非直接迁移车辆控制模型。该假设依赖可观测设备状态、可辨识动力学及足够的闭环数据；需替换感知输入与设备模型，并处理 EEG 低信噪比、跨被试变化、通道变化、小数据和解码延迟带来的不稳定性。可先在固定 EEG 解码器的仿真设备控制中，对比外部跟踪控制器与可微控制解码器，在相同指令及预设动力学扰动下测量跟踪误差和控制平滑性，以检验机制是否有益；已有 EEG 相关工作尚未检索确认。