具身认知增强的端到端自动驾驶

基于摘要分析。本文研究视觉端到端自动驾驶中，标签监督对模型泛化与适用性的限制，提出 E³AD：通过视觉特征提取网络与通用 EEG 大模型之间的对比学习，学习潜在的人类驾驶认知，以增强端到端规划。主要研究对象是自动驾驶规划，而非 EEG 解码或 BCI 控制任务。 机制与数据：作者为对比学习采集了认知数据集，并考察将人类驾驶认知引入端到端规划的方法及潜在机制。摘要未说明 EEG 模型名称、预训练来源、视觉与 EEG 数据如何配对、认知表征如何接入规划器，也未给出对比学习损失、训练流程或推理时是否需要 EEG 输入；这些细节尚未验证。认知数据的被试规模、采集条件、通道配置及划分方式亦尚未验证。 评估与结果：作者报告，以公开自动驾驶数据集上的常用驾驶模型为基线，同时开展开环与闭环测试，E³AD 显著提升了基线模型的端到端规划表现；作者报告，消融研究支持驾驶认知信息及对比学习过程的贡献。摘要未列出数据集、基线名称、评价指标、提升数值及统计检验，因而无法核对增益幅度或比较不同协议下的结果。作者将其定位为首次利用人类驾驶认知改善端到端自动驾驶规划的工作，该优先性声明尚未独立验证。 阅读与复现重点：需核对认知数据与驾驶场景的对应关系、EEG 表征是否提供了超出视觉监督的有效信息，以及这种贡献能否在不同被试和场景下保持。全文实验协议、消融及统计信息尚未验证。作者表示将公开代码，材料不足以确认代码当前已可获取。本文为 EEG 表征辅助其他任务提供了机制线索，但其自动驾驶结果不能直接视为 EEG/BCI 解码有效性的证据；相关 EEG 工作尚未检索确认。