小马智行三季报:Robotaxi营收占比近四成,全球车队扩至2768辆
小马智行发布2026年第三季度财报,总营收2.99亿元创单季新高,其中Robotaxi收入1.19亿元,同比增长165.4%,营收占比升至39.9%。经营费用同比仅增3.1%,Non-GAAP口径下亏损同比减少7.6%。
推荐理由:小马智行发布三季报,Robotaxi营收占比逼近四成成为核心支柱,全球车队规模扩大至2768辆并实现欧洲全无人测试。
小马智行发布2026年第三季度财报,总营收2.99亿元创单季新高,其中Robotaxi收入1.19亿元,同比增长165.4%,营收占比升至39.9%。经营费用同比仅增3.1%,Non-GAAP口径下亏损同比减少7.6%。
推荐理由:小马智行发布三季报,Robotaxi营收占比逼近四成成为核心支柱,全球车队规模扩大至2768辆并实现欧洲全无人测试。
Uber 与 Momenta 今日宣布在慕尼黑启动受监管的自动驾驶车辆试点,这是德国首次通过 Uber App 提供此类服务。试点区域覆盖慕尼黑北部大部分区域及奥林匹克公园周边,乘客可免费预约 UberX、Electric 或 Comfort 行程并选择乘坐由持证安全员随行的自动驾驶车辆。
推荐理由:Momenta 与 Uber 在德国慕尼黑启动受监管的自动驾驶试点,由持证安全员随行,为德国首个此类服务。
该论文提出了 CoopDistill 框架,旨在解决协同驾驶中优化方法与多智能体强化学习结合时的探索效率、经验分配和执行可靠性问题。该方法利用势博弈(PG)提供纵向参考路径,并通过残差 MARL 策略学习加速、冲突处理时机和横向修正;采用硬案例课程集中处理 PG 未解决的交互,并通过比较展开选择器评估联合后果以决定执行动作。
推荐理由:提出均衡引导的多智能体策略蒸馏框架,在融合与路口场景中相比基准提升成功率并降低延迟。
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。
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。
该研究提出 When2Go 系统,通过共享意图和构建路线时间冲突图来解决协同自动驾驶中的死锁与碰撞风险。系统在 V2Xverse、InterDrive 等基准上取得优于现有方法的驾驶得分与无碰撞率,但仅基于仿真环境测试,未涉及真实车辆部署或路测许可。
推荐理由:提出共享意图的协同端到端系统,在封闭回路基准上超越现有方法并解决死锁问题。
该论文指出代表性驾驶视觉语言模型(Driving VLAs)存在反事实障碍插入下的盲点规划问题,即车辆出现在前方时轨迹仍不变。研究通过偏差 - 方差分析发现模型依赖 ego 状态和指令的捷径,并提出了一种受逆运动学启发的架构:利用 LLM 预测未来视觉场景提供密集监督,并设计独立的逆运动学网络仅基于当前和未来视觉状态解码轨迹,以抑制对 ego 状态的依赖。
推荐理由:该研究通过逆运动学架构解决了智驾 VLA 模型依赖 ego 状态捷径的问题,仅用摄像头在 NAVSIM 和 nuScenes 上实现了 SOTA 轨迹规划性能。
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。
针对现有以自我为中心的自动驾驶系统在混合交通场景中因多车决策冲突导致的安全问题,论文提出 CoSafe 框架。该框架利用车路协同(V2X)通信,使路边单元能监控场景级风险并实施联合干预,将安全保证从单车接管扩展到场景级协作。
推荐理由:提出 CoSafe 框架,利用 V2X 通信实现场景级协同干预,在混合交通下显著降低违规率并提升自动驾驶得分。
针对 CARLA 封闭回路基准仅依赖违规罚分无法区分停止与推挤障碍行为的局限,本文提出失败边界轮廓方法,通过改变走廊宽度或车流时间差等因子并认证每个变体应通行或停止,估算代理的承诺度与能力曲线。该方法在七个驾驶代理和 Isaac Sim 仓库机器人上评估显示,规则专家决策准确率为 0.74,而得分最高的学习代理仅为 0.60,揭示了高分策略在不同失败模式下的差异。代码与数据已公开。
推荐理由:提出失败边界轮廓方法,通过认证标签区分不同导航策略在闭环评测中的决策准确性与行为差异。
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。
特斯拉Cybercab被拆解分析显示,其通过电池模组化设计、取消整车涂装线及定制高齿比电机等工程手段将制造成本控制在3万美元以内。目前北美奥斯汀已有超300辆在运营,门店售价2万美元,由特斯拉统一维护运营。材料指出造得便宜只是开始,后续需验证每英里0.2美元的运营成本目标是否达成。
推荐理由:拆解显示特斯拉Cybercab通过电池模组化、取消涂装线及定制电机等工程手段将制造成本压至3万美元,并已在奥斯汀等地投入运营。
针对多智能体强化学习缺乏安全保证且传统控制屏障函数易不可行或过于保守的问题,本文提出 Backup-Horizon CBF 方法。该方法沿时间步长评估安全性直至车辆停止,在控制约束下保持递归可行性并精确考虑几何形状。
推荐理由:提出递归可行控制屏障函数,在仿真中实现多智能体强化学习的安全保障与实时性。
针对现有端到端自动驾驶基准主要评估轨迹质量而忽视上下文依赖决策的问题,本文提出了 PlanContext 基准。该基准通过在 NAVSIM 数据集上构建配对评估,固定观测场景并变化高层驾驶意图,定义了六种典型驾驶上下文,联合评估了上下文决策正确性、道路合规性和动态安全性。
推荐理由:该基准通过固定场景改变高层意图,揭示了传统轨迹指标无法捕捉的上下文决策差异。
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。
针对视觉语言动作模型在自动驾驶中过度使用思维链导致计算开销大且可能降低规划性能的问题,论文提出了 STEER 策略。该方法无需场景难度标注,通过路由不确定性感知采样和对齐环境奖励的跨路由优势信用分配,实现从直接响应到复杂推理的动态切换。实验表明,STEER 在 NAVSIM v1/v2 基准上兼具高规划质量与高效的推理效率前沿性能。
推荐理由:提出无需场景难度标注的自适应推理策略,通过路由不确定性与环境奖励优化规划性能。
普华基础软件在 SAECCE 2026 上发布开源小满 EasyXMen V26.10、AUTOSAR CAPI 1.0 及普华智能操作系统等 8 项成果。
推荐理由:普华基础软件发布开源小满 V26.10 等 8 项成果,涵盖车控系统、AUTOSAR CAPI 及飞行汽车 OS,并开放 GitHub 代码生成器与 Demo。
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。
丰田与 Waymo 宣布进入自动驾驶合作下一阶段,双方将开始在日本测试和验证由丰田 Takaoka 工厂生产的 bZ4X 自动驾驶车队,计划于 2027 年启动运营。
推荐理由:丰田与 Waymo 宣布合作在日本部署 bZ4X 自动驾驶车队,计划于 2027 年启动运营并扩展至英国等市场。
Autoware 2.0 正式发布,在原有规则基线栈旁新增 AI 规划器选项,采用生成 - 选择架构让用户通过 launch 参数选择 Diffusion Planner。基础模型与数据集已迁移至 Hugging Face,并引入 Autoware Index 管理外部仓库及 Autoware Reference Design 提供可复现的部署配置。
推荐理由:Autoware 2.0 新增扩散规划器与生成 - 选择架构,并将基础模型迁移至 Hugging Face。