- 现有的端到端自动驾驶规划通常仅基于当前观测生成轨迹，无法预测未来的场景演化，导致短视决策和安全隐患
- 真实世界驾驶高度动态， **反应式规划(reactive planning) ** 难以应对突发变化，亟需能够主动预判并调整行为的前瞻性规划方法
- 传统方法缺乏对** 自我-环境共同演化(ego-environment co-evolution)** 的建模，规划器与场景预测相互独立，无法形成闭环决策
- 提出**ProDrive** 框架，联合训练一个**查询中心轨迹规划器(query-centric trajectory planner) ** 和一个** 鸟瞰图世界模型(bird's-eye-view world model) ** ，实现端到端的前瞻性规划
- 规划器生成多样化的候选轨迹和** 规划感知自我令牌(planning-aware ego tokens) ** ，世界模型根据这些令牌预测未来场景演化
- 将规划器特征注入世界模型，并行评估所有候选轨迹，保留完整的** 端到端梯度流(end-to-end gradient flow)** ，使未来结果评估直接反馈优化规划策略
- **首创性** ：首次引入**自我-环境双向耦合(bidirectional coupling) ** 机制，使规划器的决策直接影响世界模型的预测，同时世界模型的评估结果反向调整规划，实现真正的** 前瞻性规划(proactive planning) **
- ** 结构设计**：通过** 查询中心(query-centric) ** 方式生成规划感知令牌，替代传统的观测驱动特征，让规划与预测紧密交互
- ** 效率提升**：并行评估所有候选轨迹，避免了逐一仿真或递归推理的开销，同时保持端到端可微性，简化训练流程
- 为自动驾驶规划领域提供了一种基于**世界模型(world model) ** 的前瞻性规划范式，解决了反应式规划的短视问题
- 在** NAVSIM v1**基准上超越多个强基线，在安全性和规划效率方面均取得显著提升
- 通过消融实验验证了** 自我-环境耦合设计**的有效性，为后续研究提供了可复现的架构和开源代码（推测）