CoSafe:面向混合交通的协作运行时安全保证框架
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。
Kodiak AI 宣布其长途无人驾驶运营的安全案例(Autonomy Readiness Measure)完成度已达 99%,计划于 2026 年底前在德克萨斯州 I-45 高速公路段启动为 IKEA 提供无人驾驶货运的商业服务。公司此前已完成在 Permian Basin 盆地的工业级部署,目前正通过 BreakPoint 仿真工具和概率风险评估方法完善剩余工程验证与验证里程碑。
推荐理由:Kodiak 宣布其长途无人驾驶安全案例完成度达 99%,计划年底在德克萨斯州 I-45 路段为 IKEA 启动商业服务。
卓驭科技 AI 首席技术官陈晓智在圆桌及公开场合阐述,L3 量产的核心卡点在于责任主体转移后的工程标准升级,需三冗余架构(主备域控、独立电源通信)而非单纯算力堆砌。
推荐理由:卓驭阐述 L3 量产核心在于架构级冗余与成本预算平衡,提出从 L2+ 平台复用并预埋硬件的落地路径。
2026年度中国汽车工程学会科学技术奖揭晓,由清华大学牵头、地平线等参与的项目《多源数据混合驱动的端到端自动驾驶关键技术及应用》获特等奖。该项目提出多源数据混合与闭环阶梯训练技术路线,已在乘用车、Robotaxi及商用车等多类平台实现L2至L4级规模化应用。地平线作为主要参与单位,依托征程系列芯片提供工程化验证与产业资源支撑,累计量产超1500万套,推动端到端自动驾驶从理论创新走向产业化落地。
推荐理由:地平线联合清华大学等团队获中汽学会特等奖,验证了多源数据混合与闭环训练技术在L2至L4级平台的规模化落地能力。
该研究引入 CANDID-LKA 框架,利用车载 CAN 总线数据与第三方视觉系统,对三款主流车型共 39,800 秒的实车驾驶进行了评估。结果显示,显示状态无法一致响应标线难识别的条件,不同厂商报告‘未检测到’的频率差异巨大;潜类别模型表明显示状态仅能反映 47% 的感知退化时刻(第三方系统为 80%),且在近半数低置信度片段中从未报警。
推荐理由:该研究通过车载 CAN 总线与第三方视觉系统对比,揭示了量产车道保持辅助系统在低置信度场景下存在‘静默’失效风险,且不同厂商表现差异显著。
文远知行因基于 GENESIS 通用仿真模型与 WITT 认知基础模型的物理 AI 闭环,入选 WICV 2026“2026 年十大汽车 AI 应用案例”。CEO Tony Han 在主题演讲中分享了将 L4 自动驾驶技术应用于 L2 ADAS 的经验,强调以算力密度衡量智能水平并坚持安全优先。
推荐理由:文远知行因基于 GENESIS 与 WITT 的物理 AI 闭环入选 WICV 2026 十大案例,展示了从 L4 技术向 L2 ADAS 迁移及规模化部署的路径。
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。
Kodiak AI 首席系统工程师 Kelly Smith 分享其在 NASA 参与阿耳忒弥斯 2 号任务期间开发的飞行软件经验,阐述将航天级概率风险评估(PRA)与故障管理架构引入自动驾驶的策略。文章强调通过 Monte Carlo 仿真寻找罕见风险事件,并建立从正常驾驶到降级运行的平滑过渡机制,以构建可量化的安全案例。
推荐理由:作者将阿耳忒弥斯任务的安全工程经验迁移至自动驾驶,提出基于概率风险评估与故障管理的架构设计思路。