Raw2Drive：基于对齐世界模型的端到端自动驾驶强化学习方案在端到端自动驾驶（E2E-AD）领域，模仿学习（IL）长期占据主流地位，但始终受困于因果混淆、分布偏移等核心问题，难以应对复杂动态的真实驾驶场景。强化学习（RL）虽能通过奖励驱动的环境交互优化策略，展现出超越模仿学习的潜力，却因训练难度高、数据效率低等问题，未能在端到端自动驾驶中得到有效应用。上海交通大学、复旦大学等团队联合提出的 Raw2Drive 方案，创新性地设计了基于双流模型的强化学习（MBRL）架构，首次实现了基于原始传感器输入的端到端强化学习自动驾驶，并在 CARLA v2 和 Bench2D