ManeuverFlow：利用未来证据生成机动假设，用于端到端自动驾驶的轨迹评估与修正

基于摘要分析。该研究面向端到端自动驾驶规划，针对多查询回归可能发生模式坍缩，以及候选轨迹数量与生成、评分成本之间的矛盾，提出 ManeuverFlow：按不同驾驶意图一步生成轨迹，再利用当前场景与预测未来的证据进行评估和局部修正。 核心机制是先选择相关机动模式，从 Gaussian mixture prior 抽取对应噪声，再通过按机动模式路由的 mixture-of-experts MeanFlow 场映射为意图特定的轨迹。模型沿各候选路径聚合当前特征与世界模型预测的未来特征，形成轨迹特定证据，用于预测 PDM 因子。修正器复用这些证据，为选定候选预测局部 Frenet 残差；修正后的候选与保留候选共同重新评分，完成最终选择。 作者报告，采用轻量级 TransFuser 风格 ResNet-34 骨干时，模型在 NAVSIM v1 navtest 上达到 90.6 PDMS，在 NAVSIM v2 navtest 上达到 90.1 EPDMS；两项结果对应不同版本与指标，不宜直接互比。在 WorldEngine 的 3DGS 闭环基准上，作者报告其在 logged traffic 和 IDM-controlled traffic 条件下分别取得 75.19、74.58 PDMS*，并称为该基准所列方法中的最高分。 需进一步核对的内容包括：机动模式的定义与监督方式、世界模型的训练及未来特征生成方式、候选数量与推理开销、评分和修正模块的消融，以及对照基线的评估一致性。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码可用性与复现条件尚未核验。 该方法依赖驾驶轨迹、场景上下文及未来状态预测，原始研究对象不是神经信号。其在 EEG/BCI 中的任务对应关系与适用性尚未验证，相关 EEG 工作也尚未检索确认，因此不将自动驾驶结果外推为 BCI 算法效果。