跳到正文
  1. Kodiak AI · 自动驾驶货运70

    Kodiak AI 宣布自动驾驶货运安全案例完成度达 99% 并加速推出无人驾驶长途服务

    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。

  1. 地平线 · 资讯动态73

    地平线联合申报项目荣获中国汽车工程学会科学技术奖特等奖

    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。

  1. 文远知行 · Newsroom60

    文远知行凭物理 AI 飞轮入选 WICV 2026 十大汽车 AI 应用案例

    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。

  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。

  1. Kodiak AI · 自动驾驶货运62

    Kodiak 前 NASA 工程师谈如何将航天安全经验应用于自动驾驶货运

    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。

  1. Generalist · Research Blog70

    Generalist:超越世界模型与 VLA,坚持从 scratch 训练原生物理交互基础模型

    Generalist 发布博文阐述其 GEN-1 模型的核心理念:该模型约 99% 参数从头训练,旨在打造原生物理交互基础模型而非微调的视觉语言模型或单纯的世界模型。作者认为目标驱动优于方法标签,强调在数据充足时从 scratch 训练更具优势,并指出随着物理交互数据量突破半百万小时,以往依赖视觉语言数据的“拐杖”约束正在改变,团队正以此为基础向全零样本机器人和物理 AGI 迈进。

    推荐理由:作者阐述 Generalist 坚持从 scratch 训练 GEN-1 的底层逻辑,认为目标驱动优于方法标签,并指出数据约束已改变。

  1. Skild AI · Research Blog70

    Skild AI:构建全形态机器人脑以应对不可预测的物理世界

    Skild AI 团队认为现有机器人控制器因过度拟合特定机体而缺乏泛化能力,提出训练一个能控制百万种不同形态机器人的“全形态(omni-bodied)”大脑。实验展示了该模型在零样本条件下对断肢、关节锁定、轮子卡死及加装高跷等极端形态变化的快速适应与恢复能力,利用上下文学习机制从失败中迭代成功。团队认为这种基于适应而非记忆的策略是通往物理世界可靠通用人工智能的关键路径。

    推荐理由:Skild AI 提出通过训练控制百万级不同形态机器人来构建泛化脑,展示零样本适应与上下文学习在物理任务中的潜力。

已经到底了