跳到正文
  1. arXiv · 机器人与计算机视觉80

    Bridging Scene Generation and Planning: Driving with World Model via Unifying Vision and Motion Representation

    论文提出了 WorldDrive 框架,旨在解决现有驾驶世界模型仅关注视觉表征而忽视运动规划需求的问题。该方法通过统一视觉与运动表征,引入轨迹感知的世界模型以生成符合特定意图的未来场景,并将预优化的编码器转移至多模态规划器中。

    推荐理由:该工作提出统一视觉与运动表征的端到端自动驾驶框架,通过轨迹条件生成未来场景并蒸馏奖励以优化规划策略。

  2. arXiv · 机器人与计算机视觉82

    AgentWorld:面向自动驾驶的代理中心化视觉语言动作世界模型

    针对现有世界 VLA 模型在像素级生成中保留大量无关细节导致性能瓶颈的问题,本文提出 AgentWorld 模型。该模型采用离散代理 Token 联合进行推理与轨迹规划,每个 Token 动态关联周围物体的语义、3D 几何、运动及交互上下文。

    推荐理由:提出 AgentWorld 模型,通过离散代理 Token 替代像素级生成,聚焦驾驶场景中的物体交互与动力学以支持规划。

  1. arXiv · 机器人与计算机视觉78

    MAPLE:基于潜在空间的端到端自动驾驶多智能体博弈框架

    论文提出 MAPLE 框架,旨在解决视觉语言动作(VLA)模型因传统模仿学习训练导致的闭环评估脆弱性问题。该框架在 VLA 模型的潜在空间内实现反应式、多智能体的动态驾驶场景推演,使自车与周边交通流能独立控制并相互响应,从而支持闭环训练。

    推荐理由:提出 MAPLE 框架,在 VLA 模型的潜在空间实现可扩展的闭环多智能体博弈训练,无需外部仿真器。

  2. arXiv · 机器人与计算机视觉82

    Generative Scenario Rollouts for End-to-End Autonomous Driving

    论文提出了 Generative Scenario Rollouts (GeRo) 框架,旨在解决当前端到端自动驾驶系统过度依赖稀疏轨迹标注模仿学习的问题。该框架将 VLA 模型作为规划器,通过自回归策略联合执行规划与基于语言的未来交通场景生成。

    推荐理由:提出 GeRo 框架,利用 VLA 模型进行语言引导的自回归场景生成与规划,在 Bench2Drive 基准上显著提升了端到端自动驾驶的得分与成功率。

  1. arXiv · 机器人与计算机视觉85

    Latent-WAM++:面向端到端自动驾驶的世界与动作表征塑造

    论文提出 Latent-WAM++,一种面向端到端自动驾驶的以表征为中心的世界动作模型(WAM)。该方法通过场景 - 自车未来预测、SIGReg 分布稳定化及冻结几何先验构建世界表征;利用改进的 MeanFlow 速度空间目标直接预测多模态轨迹提议并实现一步采样;同时对齐视觉语义衍生的停止梯度目标以优化预输出动作特征。

    推荐理由:该工作提出 Latent-WAM++,通过重塑中间表征监督与冻结几何先验,在 NAVSIM v2 实现 SOTA 性能并将端到端规划器训练成本降低 88.1%。

  1. arXiv · 机器人与计算机视觉81

    FlowSim:免渲染的端到端驾驶系统闭环仿真方法

    针对传统闭环评估依赖图像生成与感知重编码导致成本高且存在仿真实隙的问题,本文提出 FlowSim 这一免渲染仿真范式。该方法直接从上一帧潜在表示和目标帧符号场景条件预测内部潜在表示,绕过图像渲染和感知重编码步骤。

    推荐理由:提出免渲染的闭环仿真范式 FlowSim,直接预测潜在表示以加速端到端系统评估。

  1. 盖世汽车 · 汽车资讯78

    驭势科技发布升级的L4级无人驾驶牵引车T30及协同作业方案

    驭势科技在CeMAT ASIA 2026展示升级后的L4级无人驾驶牵引车T30,该车型通过升降式自动脱挂钩装置实现自主倒车、拖斗挂接与脱钩,并与无人叉车协同完成装卸转运。

    推荐理由:驭势科技发布升级的L4级无人驾驶牵引车T30及协同作业方案,展示了自动脱挂钩、VLM/VLA技术栈与AI编程交付平台。

  2. arXiv · 机器人与计算机视觉85

    Jev with Foresight:通过语言世界模型实现安全的语言引导自动驾驶

    arXiv 论文 Jev-AD 结合类型化决策模型 Jev 与语言世界模型,后者预测候选动作下周边车辆未来两秒的运动以提供预见性后果。在仿真高速合流(500 车集)中,碰撞率从 26.0%降至 2.4%,自由指令意图达成率达 93%;在回放真实 NGSIM 轨迹(500 集)中,碰撞率从 48.2%降至 2.8%,世界模型能预见 93%的危险动作。

    推荐理由:该工作提出语言世界模型辅助决策,在仿真与真实轨迹回放中显著降低碰撞率并提升意图达成率。

  1. arXiv · 机器人与计算机视觉78

    DriftingPlanner:用于端到端自动驾驶的一步轨迹漂移生成模型

    论文提出了 DriftingPlanner,这是一种基于漂移损失训练的轨迹规划器,无需坐标回归项即可通过一步推理解码自车轨迹。该方法将类条件图像生成的漂移技术迁移至规划场景,利用每场景的吸引 - 排斥场机制,在 NAVSIM navtest 基准上实现了 93.75 PDMS 的最优性能,其单步推理结果与最佳扩散或流匹配设置(需十步推理)仅差 0.13 PDMS。

    推荐理由:提出 DriftingPlanner,通过训练端一步生成器实现端到端轨迹规划,在 NAVSIM navtest 上达到 SOTA 性能。

  1. arXiv · 机器人与计算机视觉82

    SV-WAM:一种高效的环视世界 - 动作端到端自动驾驶模型

    该论文提出 SV-WAM,旨在解决现有世界模型因生成未来视频导致推理开销大、常被迫仅用单前向摄像头的局限。方法利用未来视频预测作为训练监督而非推理输出,通过动作中心因果掩码防止动作 token 关注未来视频 token,使部署时可丢弃视频分支实现高效规划;同时引入可微驾驶区域合规正则器以增强安全与边界感知。

    推荐理由:SV-WAM 利用未来视频预测作为训练监督而非推理输出,结合因果掩码与可微合规正则器,在保持六路摄像头输入的同时实现低延迟规划。

  1. arXiv · 机器人与计算机视觉82

    AdaThinkDrive:基于强化学习的自动驾驶自适应思考框架

    针对端到端自动驾驶中思维链(CoT)推理在简单场景下引入不必要计算开销的问题,本文提出了 AdaThinkDrive 框架。该框架受快慢思考启发,采用双模式推理机制,先在大规模驾驶数据上预训练获取世界知识,再通过监督微调让模型区分需要推理的场景。

    推荐理由:提出双模式推理框架,在 Navsim 基准上提升决策质量并降低推理耗时。

  1. arXiv · 机器人与计算机视觉85

    无人类演示的跨城市自动驾驶策略学习:NOMAD 方法

    论文针对自动驾驶在新城市部署成本高、需大量人类演示数据的瓶颈,提出 NOMAD(No data Map-based self-play for Autonomous Driving)方法。

    推荐理由:提出 NOMAD 方法,利用自博弈强化学习仅凭地图信息实现跨城市策略迁移,无需目标城市的人类演示数据。

  1. arXiv · 机器人与计算机视觉82

    从似然到效用:面向端到端自动驾驶的质量轴扩散

    论文提出 QualiDrive 方法,将端到端自动驾驶中的轨迹生成沿驾驶质量轴而非高斯噪声轴进行扩散。该方法通过构建场景特定的质量阶梯,根据测得的驾驶效应对观测到的轨迹排序,并学习通过有序的低质到高质细化来逆转这种退化。

    推荐理由:提出沿驾驶质量轴进行扩散的 QualiDrive 方法,在 NAVSIM 上实现 SOTA EPDMS 并显著提升高分候选比例。

  1. Torc Robotics · 自动驾驶技术与安全80

    Torc:超越模仿学习,自博弈强化学习赋能端到端自动驾驶

    Torc Robotics 与 Mila、NYU 合作发表论文,展示如何用自博弈强化学习训练从相机图像驱动的端到端模型。方法先利用简化渲染器 Gigapixel(单卡 A100 每秒约 5 万步)训练结构化输入的强化学习教师策略,再通过 DAgger 蒸馏至相机学生策略并适配真实感知。

    推荐理由:Torc 提出自博弈强化学习解决端到端智驾数据稀疏瓶颈,通过结构化教师蒸馏至相机策略并适配真实感知。

  2. arXiv · 机器人与计算机视觉78

    Race to Recovery:基于自动驾驶赛车学习的先进安全系统设计

    针对电子稳定控制系统难以处理打滑、水滑或急避导致的失控问题,该研究提出通过强化学习训练漂移策略并迁移至最小时间恢复任务的方法。作者定义了基于相平面的稳定平衡点作为恢复标准,开发了 Gym-Khana 用于控制器训练与评估。

    推荐理由:该研究通过强化学习训练漂移策略并迁移至恢复控制,在物理 F1TENTH 平台上验证了比传统方法更优的失控恢复能力。

  3. arXiv · 机器人与计算机视觉78

    多模态地面移动中的运动预测:神经符号引导下的快慢决策

    针对现有运动预测方法缺乏对现实世界法规与行为约束显式编码的问题,该研究提出了一种名为 TraCS 的神经符号框架。TraCS 利用代理代码生成管道连接自然语言交通法规描述与概率运动预测,并采用反应式数据流推理引擎动态更新合规景观。

    推荐理由:该工作提出神经符号框架 TraCS,在 Argoverse 2 基准上验证了将交通法规逻辑融入运动预测的有效性。

  1. arXiv · 机器人与计算机视觉78

    ManeuverFlow:基于未来证据的机动假设生成与端到端自动驾驶轨迹评估及优化

    ManeuverFlow 是一种用于复杂场景端到端规划的新方法,旨在解决多查询回归模式坍塌及候选集规模受限的问题。该方法通过混合专家 MeanFlow 场一步生成不同意图的轨迹,并利用世界模型预测的当前与未来特征聚合为路径证据,进而预测 PDM 因子并优化局部 Frenet 残差以筛选最佳候选。

    推荐理由:该文提出 ManeuverFlow,利用世界模型预测的未来证据对轨迹进行生成与精细化评估,在 NAVSIM 和 WorldEngine 基准上取得领先分数。

  1. NVIDIA Blog · Physical AI68

    NVIDIA 发布全栈开放平台助力全球 Robotaxi 领导者构建物理 AI 系统

    NVIDIA 推出面向 Robotaxi 的全栈开放平台,整合了 DGX 训练计算机、Omniverse/Cosmos 仿真验证计算机及 Hyperion 车端计算架构。

    推荐理由:NVIDIA 推出全栈开放平台,提供 Alpamayo VLA 推理模型、Cosmos 世界基础模型及 Omniverse 仿真工具链,支持从训练到车端部署的闭环开发。

  1. NVIDIA Technical Blog73

    NVIDIA 发布开源推理视觉模型 Alpamayo 2 Super

    NVIDIA 发布了开源的 340 亿参数推理视觉模型 Alpamayo 2 Super。该模型旨在解决自动驾驶开发中轨迹生成、高层意图预测、场景理解及数据标注依赖独立模型导致难以对比输出和复用表征的问题,提供统一的推理能力以支持相关工作流。

    推荐理由:NVIDIA Alpamayo 2 Super 作为开源推理视觉模型,旨在统一轨迹生成、意图预测与数据标注任务,解决传统开发流程中多模型割裂导致的行为难以对比与复用的问题。

  1. Momenta · 智能驾驶技术与运营80

    Momenta 在苏州部署基于 R7 世界模型的无图 Robovan

    Momenta 于 2026 年 7 月 27 日在中国江苏苏州相城区推出其 Robovan 业务,这是公司专有 R7 世界模型的最新现实应用。Robovan 已投入夜间跨区快递路线运营,实现全天候无人物流以解决城市供应链“最后一公里”问题。

    推荐理由:Momenta 在苏州部署基于 R7 世界模型的无图 Robovan,利用海量量产数据实现全天候无人物流运营。