清華大學智能產業研究院（AIR）的研究團隊在自動駕駛技術領域取得了突破性進展，其最新研究成果被國際頂級人工智能會議NeurIPS 2025接收。這項研究聚焦于自動駕駛與具身智能的交叉領域，提出了一種創新方法——利用人類駕駛員的腦電信號（EEG）認知特征優化自動駕駛模型的訓練過程，旨在提升系統在復雜路況下的決策能力和安全性。
當前，基于視覺的端到端自動駕駛技術已成為行業主流方向，但現有模型主要依賴對道路、車輛等視覺特征的標簽化訓練，缺乏類似人類的具身推理能力，尤其在應對突發或復雜場景時表現受限。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，成為科研界亟待解決的難題。針對這一挑戰，清華團隊提出了“駕駛－思考”（Driving-Thinking）訓練框架，通過融合多模態數據與腦啟發技術，為自動駕駛模型注入“人類智慧”。
該框架的核心在于采集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）提取人類駕駛時的潛在認知特征。通過對比學習技術，自動駕駛的視覺網絡在訓練過程中逐步模仿大腦對交通環境的認知反應，從而習得類似人類的決策邏輯。研究團隊特別強調，這一方法采用兩階段訓練策略：第一階段通過腦電數據完成跨模態學習，使模型掌握駕駛認知能力；第二階段及實際部署時，系統僅需車載攝像頭視頻輸入，即可調用已習得的認知能力輔助決策，無需額外安裝腦電采集設備，顯著降低了硬件成本。
實驗驗證環節，團隊在公開自動駕駛數據集nuScenes和閉環仿真測試平臺Bench2Drive上進行了全面測試。結果顯示，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顯著降低，碰撞率下降約18%至26%。尤其在“前車突然切入”等高風險場景中，增強后的模型展現出更接近人類的防御性駕駛策略，例如提前減速、保持安全距離等，有效提升了行駛安全性。
這一成果標志著首次將人類駕駛認知直接應用于端到端自動駕駛規劃任務，為提升自動駕駛安全性提供了全新思路。研究團隊指出，該方法不僅突破了傳統模型對視覺特征的單一依賴，更通過腦啟發技術實現了人類隱性認知經驗的遷移，為具身智能與腦啟發人工智能領域的交叉研究提供了重要參考。隨著技術的進一步優化，未來有望推動自動駕駛系統向更安全、更智能的方向發展。
