12 月 23 日消息，據新華社今日報道，清華大學智能產業研究院（AIR）研究團隊近日在自動駕駛與具身智能交叉領域取得重要研究進展。相關成果已被國際人工智能會議 NeurIPS 2025 接收。
清華團隊提出了一種名為“具身認知增強的端到端自動駕駛”的新方法，首次嘗試將人類駕駛員的腦電信號（EEG）認知特征用于改進自動駕駛模型的訓練過程。該方法在無需增加車載硬件成本的情況下，旨在提升系統在復雜環境下的規劃能力與安全性。
目前，基于視覺的端到端自動駕駛技術是行業發展趨勢之一。然而，現有模型多依賴對道路、車輛等視覺特征進行標簽化訓練，難以實現類似人類的具身推理能力，在應對突發和復雜場景時存在局限。如何讓自動駕駛系統具備更接近人類駕駛員的認知與判斷能力，是當前研究中的一個挑戰。
針對這一問題，研究團隊提出了“駕駛－思考”（Driving-Thinking）訓練框架。該框架首先采集包含道路視頻與同步駕駛員腦電信號的多模態數據，并利用通用腦電大模型（LaBraM）從中提取人類駕駛時的潛在認知特征。隨后，通過對比學習技術，使自動駕駛的視覺網絡在訓練中學習模仿大腦對交通環境的認知反應。
注意到，該方法采用兩階段訓練策略。第一階段，模型通過腦電數據進行跨模態學習，獲取駕駛認知能力；第二階段及實際部署時，系統僅需輸入常規的車載攝像頭視頻，即可利用已習得的認知能力輔助決策，無需在車輛上安裝腦電采集設備。這種設計實現了將人類隱性的認知經驗遷移至機器視覺模型中。
實驗部分，研究團隊在公開自動駕駛數據集 nuScenes 和閉環仿真測試平臺 Bench2Drive 上進行了驗證。
結果顯示，在引入人類認知特征后，主流端到端自動駕駛模型的規劃軌跡誤差有所降低，碰撞率相對下降約 18% 至 26%。在前車突然切入等高風險場景中，增強后的模型表現出更接近人類的防御性駕駛策略。
