端到端自动驾驶中的 Loss 设计哲学

Loss 不是一张公式表：它直接表达了模型被允许忽略什么、必须在意什么。

一个核心判断

同样是规划轨迹，UniAD 可以用 L2 回归与碰撞约束，VADv2 可以用分布匹配，DiffusionDrive 则选择去噪损失加安全约束。区别不是“哪个 Loss 更高级”，而是每一种方法对驾驶问题的建模假设不同。

回归：逼近一个确定答案

• L1 对离群值更稳，常用于未来运动这类本身有噪声的预测。
• L2 会强烈惩罚大偏差，适合需要精确控制的规划轨迹。
• Smooth L1 在小误差处平滑、在大误差处鲁棒，常用于检测框回归。

分类：在大量候选中强调难例

感知任务中的背景远多于目标。Focal Loss 用调制因子压低已经分得很对的容易样本，使梯度集中在难例：

分布：承认驾驶有多种合理动作

路口场景并不存在唯一的人类轨迹。直接回归多条合理轨迹的平均值，反而可能得到不安全的“中间动作”。KL 散度和扩散去噪把重点转成学习轨迹分布：

安全不应只靠模仿

模仿学习只会让输出像训练数据，却不保证在长尾情形下安全。因此规划目标通常还要叠加碰撞、边界和舒适性约束：

好的 Loss 设计不是寻找万能公式，而是先回答三个问题：输出是否唯一？什么错误最不可接受？不同子任务的梯度会不会互相淹没？