TL;DR

尽管自动驾驶模型在 CARLA 排行榜上分数节节攀升，但它们在面对“没见过”的场景时表现如何？由图宾根大学提出的 Fail2Drive 是第一个专门针对闭环驾驶泛化性设计的 Benchmark。通过 200 条成对行驶路线和 17 种全新的干扰场景，Fail2Drive 撕开了 SOTA 模型的“伪装”：在分布偏移（OOD）下，模型平均性能下降超过 22%，甚至会出现无视 LiDAR 信号直接撞向障碍物的离谱行为。

痛点深挖：被模版化“喂”出来的智能

在自动驾驶研究中，CARLA 模拟器是绝对的标配。然而，工业界和学术界长期存在一个被忽视的偏见：测试集与训练集高度重合。

目前的模型在测试时遇到的路段、使用的交通锥桶甚至是行人的外观模型，在训练阶段都已经见过了无数次。在这种环境下，模型往往学会了“走捷径（Shortcut Learning）”：

• 看到某种特定的交通锥 -> 触发换道逻辑。
• 看到特定的行人模型 -> 触发减速。

一旦我们将行人换成一只斑马，或者移除交通锥旁边那个标志性的警示牌，这些模型就会因为找不到“匹配模版”而导致逻辑崩溃。

核心机制：Fail2Drive 的因果隔离设计

Fail2Drive 的核心创新在于其**成对评价（Paired Evaluation）**机制。

1. 分布内对照（In-distribution）：标准的 CARLA 场景，用于建立性能基准。
2. 泛化偏移（Generalization）：在同一地点、同一交通状况下，只改变一个变量（例如把卡车换成草堆，或者加入视觉干扰）。

这种设计能直接计算“泛化差距（Generalization Gap）”，让定性的失效变成定量的诊断。

四大泛化类别：

1. Robustness（鲁棒性）：无关物体（如路边无关的施工队）不应影响驾驶。
2. Visual - Lateral（横向视觉）：没见过的障碍物是否依然能触发避障？
3. Visual - Longitudinal（纵向视觉）：没见过的物体（如鳄鱼、猪）过马路，车辆会刹车吗？
4. Behavioral（行为泛化）：在全路段封死的情况下，模型能否学会原地等待而非强行逆行？

实验结果：全线崩盘的 SOTA

作者评估了包括 TransFuser++ (TF++), UniAD, SimLingo, Orion 在内的七款顶尖模型。

令人大跌眼镜的发现：

• “视觉欺骗”的完胜：在 Wall 场景中（在路面竖起一面印有前方道路照片的墙），所有模型全军覆没。即使是拥有 LiDAR（激光雷达）的模型也视而不见，直接撞墙。这说明模型更相信摄像头的视觉“连通性”而非物理空间的真实占据情况。
• VLM 不是万能药：像 SimLingo 这样基于大语言模型的 VLA 系统，在面对路面上的行人时，竟然会幻觉出“前方有自行车”而导致避让失败。
• 对特权信息的依赖：即便是使用 ground-truth 简化信息的 PlanT 2.0，在移除特定的施工标志后性能也会腰斩，说明其学习的是“标志到动作”的映射，而非“障碍物到动作”的逻辑。

图：TransFuser++ 准确感知到了车辆，但在识别为障碍物后依然预测全力加速，产生逻辑断层。

深度洞察与总结

Fail2Drive 告诉我们：闭环泛化能力是自动驾驶从实验室走向公开道路的最后一道关卡。

核心总结 (Takeaways):

1. 空间逻辑的缺失：目前的模型并未真正理解何为“Drivable Space (可行驶空间)”，它们只是在寻找熟悉的视觉信号。
2. Fallback 机制匮乏：模型在遇到不确定的 OOD 场景时，倾向于维持既定车速，缺乏“减速观望”等防御性驾驶常识。
3. 工具链价值：Fail2Drive 提供的工具箱补全了 CARLA 在长尾资产上的短板，是后续研究训练鲁棒算法的利器。

未来展望： 未来的研究重心应当从“刷高 CARLA 分数”转向“降低泛化跌幅”。通过 Fail2Drive 提供的成对测试，我们能够更清晰地捕捉模型中存在的 Bias，从而利用更丰富的 OOD 数据增强或因果推理手段来构建真正安全的自动驾驶系统。