MomAD: Momentum-Aware Planning in End-to-End Autonomous Driving

论文标题：《Don’t Shake the Wheel: Momentum-Aware Planning in End-to-End Autonomous Driving》

一、这篇论文在讲什么？

核心问题：AI司机的"帕金森式哆嗦"

光看标题脑海里是不是就有画面了？没错，这篇论文解决的就是自动驾驶汽车**“疯狂画龙”、“方向盘乱抖”**的痛点！

现在的端到端自动驾驶模型（如UniAD、VAD等）存在一个致命弱点：“单帧依赖（One-shot prediction）”。

这就像一个新手司机，每开一秒钟都要重新做一次决定，完全不管上一秒自己是怎么想的。如果遇到短暂的视野遮挡（比如旁边大车挡了一下），或者感知模块稍微闪烁了一下，它就会立刻改变主意，导致车辆轨迹疯狂摇摆（Vehicle Trembling）。

Figure 1 的直观对比

规划模式	问题表现
确定性规划（a）	只给一条路，遇到突发情况容易撞
多模态规划（b）	给很多条路让你选，但每一帧都在不同轨迹间横跳，导致方向盘乱打
MomAD方案	用"动量"保持轨迹连贯性，同时保留多模态应对突发情况

核心洞察：老司机的"动量"智慧

人类老司机是怎么开车的？是有"惯性"和"动量"的！我们不会因为别人闪了一下大灯就猛打方向盘，我们会根据之前的行驶意图保持连贯性。

MomAD就是要赋予AI这种"老司机"的稳重感。

二、核心方法：MomAD的三大法宝

MomAD框架是怎么做到"稳如老狗"的？核心在于三大技术模块：

法宝一：拓扑轨迹匹配（TTM - Topological Trajectory Matching）

核心目标：在K个候选轨迹中，找出一个跟上一帧意图最"顺滑"衔接的轨迹。

1. 坐标系转换

因为车一直在往前开，前一帧和当前帧的坐标系不一样了。TTM第一步就是把历史轨迹转换到当前的自车坐标系下：

$$T_{past_aligned} = R^{-1}(T_{past} - \Gamma)$$

其中 $R^{-1}$ 是旋转矩阵的逆，$\Gamma$ 是位移向量。

2. 为什么不用简单的欧式距离？

很多模型比对轨迹时用的是欧氏距离（按点算距离），但这玩意儿在过弯道时极其不准，容易被局部干扰。

3. 引入豪斯多夫距离（Hausdorff Distance）

TTM祭出了这个大杀器！豪斯多夫距离测量的是两条轨迹间最大偏差的最小值（最坏情况下的对齐程度）。

$$d_H(T_a, T_b) = \max{d_{forward}(T_a, T_b), d_{backward}(T_b, T_a)}$$

生动比喻：

豪斯多夫距离不仅看两个点离得近不近，更看整个轨迹的"形状（拓扑结构）“像不像。这就像比对两条弯曲的山路，不是看某个点对齐没，而是看整体走势是否吻合。

通过豪斯多夫距离，TTM选出那条和历史轨迹最吻合的当前候选轨迹。

法宝二：动量规划交互器（MPI - Momentum Planning Interactor）

核心目标：光选出来还不够，还要把历史的"经验（动量）“注入到当前的Query中。

子模块A：长时序查询混合器（Long-horizon Query Mixer）

它把历史的规划Query取出来，通过多层感知机（MLP）和**LSTM（长短期记忆网络）**进行时序演化：

# 用Sigmoid处理历史分数，并与历史Query做逐元素乘法（融合历史置信度）
historical_fusion = torch.sigmoid(S_past) * self.mlp_mixer(Q_past)

# 用LSTM模拟时序上的演化
Q_past_prime, _ = self.lstm(historical_fusion.unsqueeze(0))

这就像是把过去几秒钟的环境理解和别人车辆的意图"浓缩"了起来。

子模块B：交叉注意力融合

用选中的当前Query作为主动方，去和浓缩好的历史信息做交叉注意力计算：

# Q: 当前选出的最优 Query
# K, V: 经过时序演化的历史 Query
Q_tilde_p_star_t, _ = self.cross_attention(
    query=Q_p_star_t,
    key=Q_past_prime,
    value=Q_past_prime
)

关键理解：

当前帧只提供 query（此刻我想怎么走），而 key 和 value 全是上一帧经过LSTM提纯的记忆（我过去几秒是怎么打算的）。这一步让模型长了"脑子”，不再是只会看眼前的金鱼记忆！

法宝三：鲁棒实例去噪（Robust Instance Denoising）

核心目标：锻炼模型对感知噪声的抵抗能力。

既然感知模块提供的特征（比如其他车的位置、车道线）可能不准，那就在训练时"折磨"它！

# 训练期间加入高斯噪声扰动
if self.training and self.use_noise:
    noise = torch.randn_like(features_t) * 0.1  # 论文消融实验中噪声比例为0.1最优
    features_t = features_t + noise

作用机制：

让模型在训练时就习惯看"模糊、抖动"的世界。在测试时，这个去噪能力让规划预测器对环境波动极度免疫，即使遇到临时遮挡或漏检，依然能画出平滑的轨迹。

三、全新标尺：怎么量化"稳不稳”？

传统指标的局限性

以前的评价指标只看"当前帧准不准"，不看"前后帧连不连贯"。

TPC（轨迹预测一致性）定义

轨迹预测一致性（Trajectory Prediction Consistency）：在重叠的时间段内，计算"当前预测的轨迹"和"上一帧预测的轨迹"之间的平方差，然后再用真实的验证集轨迹做掩码过滤。

$$TPC = \frac{1}{N}\sum_{t}||T_{pred}^{t} - T_{pred}^{t-1}||^2 \cdot Mask$$

TPC越低，说明车开得越平顺，乘客越不容易晕车！

四、狂飙的成绩单

4.1 首创"弯道数据集（Turning-nuScenes）"

作者发现原来的nuScenes数据集里直道太多了，看不出谁更稳。于是专门把"转弯"的场景挑出来做测试（转弯最容易方向盘发抖）。

惊人数据（Table 3）：

预测未来6秒的轨迹，MomAD相比之前的SOTA模型（SparseDrive），碰撞率暴降了26%
TPC指标大幅优化了0.97米（提升33.45%）

4.2 长时间预测远超同行

预测1-2秒不算啥，预测4-6秒还能保持稳定才叫牛。随着时间拉长，其他模型误差飙升，而MomAD依然保持着极高的平滑度。

4.3 闭环路测（Bench2Drive）

在CARLA模拟器里跑闭环（Table 4），包含超车、避让等44个交互场景：

成功率提高了惊人的16.3%
舒适度提升了7.2%

4.4 消融实验亮点

历史帧数消融（Table 7）：

历史帧不是越多越好。作者发现融合前 $t=2$ 帧的历史信息时，效果达到巅峰；如果融合 $t=3$ 帧，反而因为历史太久远引入了不确定性，导致效果下降。这叫"恰到好处的记忆"。

噪声注入消融（Table 6）：

加了Robust Instance Denoising模块后性能稳步提升，验证了训练时加噪对抵抗感知闪烁的有效性。

五、深度讨论：历史意图引入的"因果混淆"陷阱

一个极其犀利的专家级问题

引入历史意图（也就是上一帧的Query或者轨迹）虽然能让车开得"稳"，但如果不加限制，模型会变成一个"闭着眼睛开车的瞎子"。

三大致命因果混淆陷阱

陷阱	现象	灾难后果
因果倒置（惯性覆盖）	“上一秒我在直行 → 所以这一秒我继续直行”	无视前方突然出现的外卖小哥，直接撞上去
捷径退化（恒等映射）	网络发现直接复制上一帧输出Loss就够低	感知模块退化，变成只会根据昨天猜今天的时间序列外推器
误差雪球（蝴蝶效应）	第1帧的小误判被后续帧不断放大	即使视野恢复清晰，模型也因为历史执念拉不回来

MomAD的破局之道

1. 架构约束：用交叉注意力逼迫模型"看路"

历史意图（提纯后的 $Q_{past}$）作为Key和Value
当前帧的初筛意图作为Query
融合后的Query必须再和当前帧最新的感知实例特征（$F_{ins}$）做二次深度融合

原理：历史只提供"底色"，生杀大权依然牢牢掌握在当前帧的感知特征手里。

2. 训练秘籍：历史Dropout

随机以一定概率把历史意图置为空，强制模型只凭当前帧的单帧图像去做规划。

原理：斩断捷径，让网络明白"不能总是指望抄前一秒的作业"。

3. 施加微扰：打破舒适区

Robust Instance Denoising实际上是一种因果干预，告诉模型要在噪声和历史之间找到真正的因果平衡点。

4. 终极验证：闭环评测

如果模型严重因果混淆，在闭环里不出10秒就会撞树。MomAD在Bench2Drive闭环测试中成功率提升16.3%，是克服因果混淆的最硬核证据。

六、为什么在"Query层面"融合历史？

问题本质

为什么MomAD选择融合历史Query，而不是直接把前后两帧的感知实例（几十个框）融合在一起？

直接融合感知实例的三大致命问题

1. 目标关联灾难

如果把 $t-1$ 帧和 $t$ 帧的实例特征直接堆叠，网络怎么知道上一帧的"框A"和这一帧的"框B"是同一辆车？

MomAD的高明之处：不在"环境（框）“层面做跨帧融合，而在"自我意图"层面做融合，巧妙地绕开了显式的多目标跟踪难题。

2. 信息过载与模式崩溃

把太多原始的环境特征直接丢给Planning Head，网络往往偷懒：

学会直接忽略历史特征，退化回单帧模型
或者预测出不左不右、直接撞墙的"平均轨迹”

MomAD通过TTM强制进行"信息漏斗"过滤：只把"你上一秒最想干的那件事"通过Query塞进去。

3. 缺乏"主观动量"

动量是属于主体的，不是属于环境的。只有交互历史Query，网络才能记住"我原本打算干什么"。

七、交叉注意力的工作机制

信息流动全景图

当前Query（我想怎么走）
    --查询--> 历史Key/Value（我过去怎么打算）
         ↓
    融合后的Query（吸收历史动量的"金丹"）
         ↓
    结合当前感知特征(F_ins)
         ↓
    Planning Head再次裂变，输出K条多模态轨迹

关键理解

被选中的Query是一个"时空锚点"，代表的是"自车当前最稳定、最符合物理惯性的综合运动状态"。

“一生万物"的多模态再生：这唯一一个被历史记忆开过光的Query，在和实例特征结合后，会再次裂变输出K条多模态轨迹。

八、潜在的失败模式

模式一：稀疏表示的"先天不足”——信息漏斗带来的强制失忆

稀疏Query架构的本质是一个"极度势利的安检员"。

预定义本体的诅咒：模型在设计之初，工程师会给它规定好能提取几类Query（车辆、行人、自行车、车道线、斑马线）。

边缘场景灾难：

当空中指示牌出现在画面里时，因为"空中指示牌的文字和状态"不在预定义的Query类别里，这个"安检员"把它当作垃圾扔掉了
越过指示牌后，历史记忆中根本不存在"刚才有个牌子"这件事
Planning Head完全不知道这是一条特定时段只能左转的可变车道

模式二：稀疏实例特征的材质丢失

$F_{ins}$ 虽然是一个256维的隐式特征向量（包含纹理、反光度、边缘锐利度等信息），但：

如果图像分辨率不够，或夜间噪点大，Deformable Attention没采样准
砖块和塑料袋的256维特征就会混淆
出于安全保守策略，自动驾驶车大概率会选择急刹或猛打方向盘避让那个塑料袋

这就是幽灵刹车问题的根源。

九、行业趋势与未来方向

从"空间单帧感知"到"时空连续决策"的跨越

四大解题流派

流派	代表作	核心思想
流式架构	StreamPETR, SparseDrive	不存庞大的图像特征，只存上一帧"提纯后的结果"
世界模型	GAIA-1, MILE, DriveDreamer	不仅预测方向盘和油门，还逼着预测未来的世界长什么样
反事实推断	基于CARLA的闭环端到端	故意把车推向危险边缘，看模型怎么救回来
4D占据栅格	OccNet, UniOcc	在3D体素空间里加上时间维度，预测场景流

终极前沿：Mamba（状态空间模型）

比Transformer更适合处理无限长序列：

Transformer算注意力机制，时间序列越长，算力呈 $O(N^2)$ 爆炸
Mamba可以在保持恒定显存占用的情况下，将历史感受野拉长到过去几十上百帧

进化方向

方向一：视觉-语言-动作大模型（VLA + LLM）

用大语言模型来记忆语义信息，用文本/概念来做记忆，而不是用几何框做记忆。

方向二：混合记忆架构

对动态物体用高效的Sparse Query，同时维护一个低分辨率的Dense BEV/Occupancy记忆网格作为兜底。

十、总结

《Don’t Shake the Wheel》这篇论文极其精准地抓住了端到端自动驾驶"缺乏时序一致性"的命门：

TTM（豪斯多夫拓扑匹配）：保证动作的连贯
MPI（交叉注意力记忆融合）：拓展视野的深度
TPC新指标：重新定义什么是"好"的自动驾驶

通过"Query与特征的强制二次校验（架构）" + “加噪与阻断（训练策略）"，在保证轨迹平滑的同时，保住了模型对突发危险的敬畏之心。

下一次，当你坐在一辆变道丝滑、转弯稳当的自动驾驶汽车里时，它的算法底层，或许就闪烁着这种"动量感知（Momentum-Aware）“的智慧光芒！

十一、深度追问：只输入历史环境特征能避免捷径学习吗？

一个极具诱惑力的假设

既然输入历史轨迹或历史运动状态都会导致模型走捷径，那是不是意味着：我不直接输入历史的轨迹结果，也不输入历史的运动状态，只输入历史的环境特征，就不会导致模型走捷径的行为？

这是一个非常敏锐的假设，逻辑看似完美：既然网络是个"偷懒的作弊狂”，那我干脆把"答案（历史轨迹）“和"公式（历史物理速度）“全给它藏起来，只给它看"历史风景（环境特征）"，逼着它每一帧都自己重新做题，这样不就能彻底根治"捷径学习（Shortcut Learning）“了吗？

残酷的真相：神经网络依然有 100 种方法找到捷径！

即使只输入历史的环境特征，神经网络依然能找到隐蔽的作弊路径：

捷径一：化身"视觉里程计”，反向推导隐藏数据

作弊手法： 当你把 $t-1$ 和 $t-2$ 的环境特征（周围的树木、静止的建筑物、车道线）喂给模型时，网络内部的 Self-Attention 或 3D 卷积会瞬间计算出这些静态物体在相邻两帧之间的像素位移。
物理学的降维打击： 如果一棵树在 0.1 秒内向后移动了 1 米，网络根本不需要你告诉它速度，它自己就能计算出"自车速度是 10 m/s，且没有打方向盘”。
最终结果： 网络在几层隐藏层之后，原封不动地把你辛苦藏起来的"自车历史状态和轨迹"重新还原了出来！

捷径二：患上"领头羊依赖症”

作弊手法： 训练数据集里，绝大部分时间车都是在跟车行驶。网络发现：“我只要死死咬住正前方那辆车，它的位置就是我的轨迹！”
致命灾难： 一旦前车是个闯红灯的疯子，你的模型会因为极度依赖"前车环境特征"而毫无判断力地跟上去，直接车毁人亡。

捷径三：“静态环境假象"导致的感知休眠

作弊手法： 网络发现 $t-1$ 的环境和 $t$ 的环境有 99% 是一模一样的，何必费劲去处理当前帧的那 1% 的变化？
致命灾难： 这就是为什么很多只输入环境特征的模型，在遇到"鬼探头"时反应总是慢半拍。

核心结论

解决因果混淆，不能靠"堵（隐藏信息）"，只能靠"疏（机制约束）“和"骗（对抗训练）"！

只要输入序列包含时间维度，神经网络就一定能复原出物理运动学捷径。因此，现代端到端自动驾驶的哲学已经变成了：我不怕你知道历史，我怕你沉迷历史。

十二、Cross-Attention 的数学本质：为什么"当前为主，历史为辅”？

权力的游戏：谁掌握 Query，谁就掌握"生杀大权”

在 Cross-Attention 的公式中： $$Attention(Q, K, V) = Softmax(\frac{Q K^T}{\sqrt{d}}) V$$

这三个字母的地位是绝对不平等的：

Query (Q) 是"带资进组的甲方/大老板”：它是主动方，带着当下的需求去数据库里发起检索。
Key (K) 和 Value (V) 是"被动的资料库/顾问"：它们只能安静地躺在那里，等待被点名。

在 MomAD 的架构中：

当前帧提取的初筛意图 = Query (大老板)：代表"我此时此刻眼前看到的战况"
历史意图 = Key/Value (历史顾问)：代表"我过去几秒钟的惯性和计划"

致命对比：如果用 Concat 或 Add 会怎样？

假设网络设计为：最终特征 = MLP(当前特征 + 历史特征)

网络的作弊手段： 网络会在 MLP 权重矩阵里，给"当前特征"分配极低权重（$0.01$），给"历史特征"分配极高权重（$0.99$）。
灾难结果： 不管当前帧发生什么，历史惯性都会强行碾压当前视觉，这就是典型的捷径学习。

Cross-Attention 凭什么能防作弊？ 因为它的融合是乘法约束（Dot Product $Q \cdot K^T$），而不是加法线性组合！

如果当前帧 $Q$ 看到前方空旷，历史 $K$ 也是直行，内积很大，历史 $V$ 被顺利吸收。
关键时刻： 如果当前帧 $Q$ 突然看到窜出来的行人，大老板 $Q$ 的特征向量会瞬间变成"紧急避让"。此时，“紧急避让的 $Q$” 和"历史直行的 $K$" 方向完全不一致，它们的内积会接近于 0！
物理绞杀： 经过 Softmax 后，这个历史顾问的权重会被死死地压在 $0.00001$，历史信息直接被乘法物理清零！

反向作死实验：如果把"历史"作为 Query 会怎样？

这被称为**“确认偏误的架构放大器”**！

历史（大老板）拿着"左转"的 $Q$，去当前帧的画面里死抠能支持它左转的证据。
哪怕当前画面里有一辆大卡车挡住了左转道，历史 $Q$ 也会对大卡车视而不见，只把注意力放在远处的左转红绿灯上，最终导致直接撞上卡车。

十三、模型的走捷径方法讨论

问题

有没有可能模型让当前帧的 Query变成一个无脑接受历史信息的傀儡，从而实现拷贝历史的捷径？

答案

Cross-Attention机制下理论上不可行。因为为了让V完全被采纳，我们需要构造出一个和历史K的内积为单位阵的Q，但是我们在构造当前帧的Q时，没有提供任何关于历史的信息，所以它没办法和历史K“串供”。所以理论上通过Cross-Attention去融合历史信息是可以防止模型走捷径照抄历史的。
但是如果是通过concat和mlp去获取历史信息，模型只需要把mlp网络中对应到历史信息的那部分权重调到0.99即可。所以concat+mlp是个很糟糕的融合历史的设计，很容易让模型走捷径。

十四、为什么 Dropout 和扰动仍然必不可少？

高级偷懒法：基于统计先验的"盲猜串供"

虽然 Cross-Attention 切断了 Q 提前看 K 的通道，但模型发现一个宇宙级统计规律：

自动驾驶的长尾诅咒： 汽车 95% 的时间都在沿着车道线匀速直行。
K 的高度同质化： 95% 的训练样本里，历史 $K$ 长得几乎一模一样（都是"直行"向量）。
Q 的终极摆烂策略： 把所有 $Q$ 都无脑映射成能和"直行K"完美匹配的形状，不就能拿 95% 的高分吗？

这叫"没有串供，但达成了默契"。 这种偷懒比直接改 MLP 权重更难被发现！

为什么必须上"酷刑"？

既然 Cross-Attention 无法阻止模型利用统计先验"盲猜"，就必须动用物理手段（拔网线和给历史下毒），打破这个 95% 的稳定预期：

第一道金牌：信息隔离墙（不准串供）

在生成当前候选 Query 时，网络绝对接触不到历史状态！它只能从当前帧的图像像素里提特征，强行生成一组代表当前意图的 Query。只有当这组无法作弊的 Query 生成完毕后，大门才打开，让它去和历史做 Cross-Attention。

第二道金牌：历史 Dropout（拔网线）

对付"摸鱼大师"最好的办法，就是时不时抽查它的真本事。

在训练迭代中，设置一个概率（比如 30%），强行把传入的历史特征（Key 和 Value）全部清零。
当网络正准备"无脑抱历史大腿"时，突然发现大腿没了！Loss 直接爆炸。
为了在"断电时刻"活下来，网络被迫疯狂压榨当前帧的图像编码器，让它必须具备极强的单帧看路能力。

第三道金牌：给历史"下毒"（MomAD 的灵魂——Robust Instance Denoising）

既然网络喜欢"无脑信任历史"，那我就故意让历史变得不可信。

在训练阶段，给输入的特征人为加上高斯噪声。
假设上一帧真实情况是"直行"，但扰动让历史顾问传递出"我要向左猛打方向盘"的错觉信号。
网络经过成千上万次"受骗"与"惩罚"，终于悟出：“历史顾问经常发神经，我必须坚决相信我这双眼睛看到的真相！”

十五、终局总结：架构防"小人"，训练防"懒汉"

防御层级	方法	防住什么	防不住什么
Concat + MLP	无防御	-	一切捷径
Cross-Attention (只用架构)	关上了串供的门	直接改参数躺平	统计先验盲猜
Cross-Attention + Dropout + 扰动	关门 + 放狗 + 拆门	几乎所有捷径	-

真正的护城河是组合拳： 物理隔离（不能提前偷看）+ 拔网线（History Dropout）+ 钓鱼执法（加噪声微扰）。

这三招齐下，才把端到端自动驾驶网络，从一个"只会复读的录音机"，逼成了一个"既懂历史规律、又对当下极其警惕的老司机"！