- 现有**感知无关的端到端(perception-free end-to-end)** 驾驶方法将密集图像块token压缩为紧凑场景token，但场景token仅受规划目标监督，对编码的视觉信息约束不足
- 场景token构成紧凑的视觉瓶颈，但规划器缺乏对视觉特征的直接约束，导致视觉信息丢失或冗余
- 研究背景：自动驾驶中感知模块与规划模块解耦，但感知无关方法省略显式感知输出，需平衡信息压缩与规划性能
- 提出**神经token重建(Neural Token Reconstruction, NTR)** 框架，引入**自蒸馏掩码潜在重建(self-distillation masked latent reconstruction)** 目标
- 使用**紧凑场景token(compact scene tokens)** 作为重建记忆，仅通过场景token瓶颈传递重建梯度，重建被掩码的patch级潜在特征
- 引入**基础模型注释(foundation-model annotations)** 产生的**语义先验(semantic priors)** 作为弱语义接口，将重建目标偏向驾驶相关结构（如道路、车辆）
- 所有辅助重建组件在推理时移除，部署的规划器保持不变
- **首创性**：首次在感知无关端到端驾驶中，通过**重建损失(reconstruction loss)** 直接约束场景token瓶颈，而非仅依赖规划目标
- **重建梯度强制通过瓶颈**：迫使场景token必须编码足够的视觉信息以完成重建，从而保留更丰富且冗余度低的表示
- **弱语义接口**：利用基础模型注释的语义先验引导重建，无需引入显式感知头，保持规划器简洁
- **推理零开销**：辅助模块仅用于训练，推理时完全移除，不增加计算负担
- 为**端到端自动驾驶** 提供一种有效的表示学习框架，提升紧凑场景token的视觉信息保留能力
- 在**Waymo E2E** （8.0461 RFS）、**NavSim1&2** （94.1 PDMS / 90.9 EPDMS）三个公开基准上达到**最优性能(state-of-the-art)**
- 实验证明学习到的场景token具有更低的成对冗余和更高的有效秩，验证了有效瓶颈监督能同时改善视觉表示学习和规划性能