센서 입력으로부터 미래 경로를 직접 예측함으로써 전통적인 모듈형 파이프라인을 우회하는 엔드 투 엔드 (End-to-end) 자율 주행은 최근 상당한 진전을 이루었습니다. 그러나 기존 방식들은 자차 (ego-vehicle) 계획에서의 인과적 상호 의존성 (causal inter-dependencies)을 간과하는 경우가 많으며, 자차와 주변 에이전트 간의 상호 관계를 무시합니다. 이러한 인과적 간과(causal oversight)는 특히 자차의 결정과 인접 에이전트의 행동을 공동으로 추론해야 하는 상호작용이 중요한 시나리오에서 일관성이 없고 신뢰할 수 없는 경로 예측으로 이어집니다. 이러한 한계를 해결하기 위해, 우리는 공유된 잠재 장면 표현 (latent scene representation) 내에서 이러한 의존성을 포착하는 인과 관계 인식 엔드 투 엔드 자율 주행 프레임워크인 CaAD를 제안합니다. 첫째, 우리는 주변부 예측 분기 (marginal prediction branch)를 기반으로 구축되어 자차와 상호작용 관련 에이전트 간의 인과적 의존성을 학습하는 자아 중심적 공동 인과 모델링 (ego-centric joint-causal modeling) 모듈을 제안합니다. 둘째, 우리는 공동 모드 임베딩 (joint-mode embeddings)으로 구현된 인과 관계 인식 정책 정렬 (causality-aware policy alignment) 단계를 채택하여, 확률적 자차 정책 (stochastic ego policy)을 주변 교통 및 지도 문맥으로부터 계산된 계획 지향적 폐루프 피드백 (planning-oriented closed-loop feedback)과 정렬합니다. Bench2Drive 및 NAVSIM 벤치마크에서 CaAD는 강력한 폐루프 계획 성능을 입증하였으며, Bench2Drive에서 87.53의 Driving Score와 71.81의 성공률 (Success Rate)을, NAVSIM에서 91.1의 PDMS를 달성했습니다.