清华大学智能产业研究院（AIR）的研究团队在自动驾驶技术领域取得了突破性进展，其最新研究成果被国际顶级人工智能会议NeurIPS 2025接收。这项研究聚焦于自动驾驶与具身智能的交叉领域，提出了一种创新方法——利用人类驾驶员的脑电信号（EEG）认知特征优化自动驾驶模型的训练过程，旨在提升系统在复杂路况下的决策能力和安全性。
当前，基于视觉的端到端自动驾驶技术已成为行业主流方向，但现有模型主要依赖对道路、车辆等视觉特征的标签化训练，缺乏类似人类的具身推理能力，尤其在应对突发或复杂场景时表现受限。如何让自动驾驶系统具备更接近人类驾驶员的认知与判断能力，成为科研界亟待解决的难题。针对这一挑战，清华团队提出了“驾驶－思考”（Driving-Thinking）训练框架，通过融合多模态数据与脑启发技术，为自动驾驶模型注入“人类智慧”。
该框架的核心在于采集道路视频与同步驾驶员脑电信号的多模态数据，并利用通用脑电大模型（LaBraM）提取人类驾驶时的潜在认知特征。通过对比学习技术，自动驾驶的视觉网络在训练过程中逐步模仿大脑对交通环境的认知反应，从而习得类似人类的决策逻辑。研究团队特别强调，这一方法采用两阶段训练策略：第一阶段通过脑电数据完成跨模态学习，使模型掌握驾驶认知能力；第二阶段及实际部署时，系统仅需车载摄像头视频输入，即可调用已习得的认知能力辅助决策，无需额外安装脑电采集设备，显著降低了硬件成本。
实验验证环节，团队在公开自动驾驶数据集nuScenes和闭环仿真测试平台Bench2Drive上进行了全面测试。结果显示，引入人类认知特征后，主流端到端自动驾驶模型的规划轨迹误差显著降低，碰撞率下降约18%至26%。尤其在“前车突然切入”等高风险场景中，增强后的模型展现出更接近人类的防御性驾驶策略，例如提前减速、保持安全距离等，有效提升了行驶安全性。
这一成果标志着首次将人类驾驶认知直接应用于端到端自动驾驶规划任务，为提升自动驾驶安全性提供了全新思路。研究团队指出，该方法不仅突破了传统模型对视觉特征的单一依赖，更通过脑启发技术实现了人类隐性认知经验的迁移，为具身智能与脑启发人工智能领域的交叉研究提供了重要参考。随着技术的进一步优化，未来有望推动自动驾驶系统向更安全、更智能的方向发展。
