跳到正文
11月18日周三
  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68

    DualTopo:基于双潜在世界模型的时空车道图生成方法

    该论文针对流式方法在车道拓扑推理中存在的初始化查询监督不足及 BEV 边界信息丢失导致时序传播减弱的问题,提出了 DualTopo 框架。该方法通过双并行解码器路径同时监督时序与初始化查询,确保后者作为可靠锚点;并利用基于自车运动的两个潜在世界模型将过去观测的隐状态表征传播至当前时刻。

  3. arXiv · 机器人与计算机视觉42

    利用知识表示与大语言模型实现类人语义自动驾驶导航

    针对动态城市环境中依赖预定义地图的导航难题,该方法通过大语言模型将非正式指令转化为 Answer Set Programming 逻辑规则,支持无需预设地图的自适应规划。实验表明,LLM 驱动的 ASP 规则生成实现了基于语义的决策与可解释性,其推理过程高度契合人类沟通导航意图的方式。该研究为自动驾驶在复杂场景下的实时适应性与逻辑推演提供了新的形式化知识表示框架。

  4. arXiv · 机器人与计算机视觉42

    Residual-Guided Lightweight Reinforcement Learning for Risk-Aware Trajectory Selection with a Frozen World Model 提出残差引导强化学习框架,在冻结世界模型下优化轨迹选择策略。

    该研究针对自动驾驶场景依赖的权衡问题,利用近端策略优化微调联合策略与有界残差,并通过上下文条件排名网络从局部扰动反馈中学习候选偏好。在 nuScenes 验证集的开环评估中,该方法相比 RiskWorld 基线将平均欧氏轨迹误差降低 3.99%,且在去除或打乱风险特征时仍保持更低误差。

  5. 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。

  6. arXiv · 机器人与计算机视觉56

    AR-WAM:用于自动驾驶的高效流式世界 - 动作建模

    论文提出 AR-WAM,一种结合自回归时序建模与单次前向未来条件化的高效流式世界 - 动作模型。其因果视频骨干网络可增量更新视觉上下文并复用过去计算,利用最近观测的未来特征在单次前向传播中增强动态交通泛化能力,并通过强化学习直接优化驾驶奖励。

11月17日周二
  1. arXiv · 机器人与计算机视觉38

    D'BEAST:利用不良体验解释自动驾驶智能体决策

    D'BEAST 方法通过回放包含安全或任务事件训练的固定日志,验证了强化学习智能体的决策可由其“不良体验”解释。在 CARLA 闭环驾驶测试中,保留所有更新的 FULL 版本从 40 次启动中达成目标 33 次,而剔除或中和不良体验的版本均失败。局部分析显示,移除少量不良体验(中位数为 1)导致智能体在 46 个决策案例中选择了失效策略的动作。

  2. arXiv · 机器人与计算机视觉53

    通过微调视觉语言动作模型实现合规自动驾驶:引入符号交通规则反馈

    本文提出一种规则引导的 VLA 框架,将英国公路守则的部分条款形式化为可执行的一阶逻辑规则,结合专家演示监督微调和强化学习优化策略。在 CARLA 仿真器离线评估中,该方法相比仅基于监督学习的基线,显著提升了动作预测准确性和编码规则的合规率,最佳变体将整体规则通过率从 92.9% 提升至 97.6%,且在评估样本中未观察到违反路权优先级检查的情况。

  3. arXiv · 机器人与计算机视觉68

    WTR-Drive:用于端到端自动驾驶的世界 - 任务分解与结构化风险监督

    论文提出 WTR-Drive,这是一种基于 Drive-JEPA 的规划器,旨在解决提案条件化场景预测缺乏通用对象级参考的问题。该方法将共享场景估计与提案条件化推理分离,利用独立的 World Memory 估计物体状态和地图结构,并通过任务分支更新残差以指导候选轨迹的细化。

11月16日周一
  1. 盖世汽车 · 汽车资讯42

    上汽奥迪 E7X 全面升级搭载 Momenta R7 世界模型实现 D2D 连续辅助驾驶

    上汽奥迪在首届 AUDI DAY 活动中宣布,其 E7X 车型将全面升级搭载 Momenta R7 世界模型,实现从车位起步到精准泊入的全程连续 D2D 辅助驾驶。该功能将于今年 12 月通过 OTA 分批推送至已交付车型,门店试驾车目前已率先完成升级。此外,新车还推出了 E7X 先锋 quattro 必福版与 E5 Sportback 热猎限定版两款特别版本型。

11月13日周五
  1. 盖世汽车 · 汽车资讯15

    大众中国发布 VEGA 体系与 HS8 智驾方案,依托 GAIA 2.0 世界模型实现 L3 交付规划

    大众中国在技术日上推出覆盖整车平台、电子电气架构及 ADAS 的 VEGA 能力体系,并首发全场景 L2++级 Hyper Sense 8(HS8)解决方案。其合资公司酷睿程利用自研 GAIA 2.0 世界模型开展仿真测试,每日等效里程达 500 万公里且有效数据利用率提升 10 倍。基于此技术积累,大众中国计划于 2027 年下半年开始交付 L3 级自动驾驶能力。

11月11日周三
  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。

  3. arXiv · 机器人与计算机视觉72

    预测潜在风险:面向自动驾驶的视觉语言推理研究

    现有自动驾驶数据缺乏对风险前兆与应对措施的关联标注。本文介绍 PotentialRiskQA 数据集,提供场景证据、潜在风险及缓解动作的结构化注释;基于此训练 PR-Reasoner 模型,通过多任务监督提升场景理解、风险认知与行动质量,减少无依据的风险推断。消融实验表明中间推理步骤的监督进一步降低错误推断并改善行动质量;在 NAVSIM 上的表征学习提升了开环规划性能。

  4. arXiv · 机器人与计算机视觉57

    ForeseeDrive:面向预期性生成驾驶的 Future-Token Conditioning 方法

    论文 ForeseeDrive 提出将未来场景演化转化为可部署的接口以塑造候选轨迹生成,而非重建密集状态或评分固定菜单。该方法从日志中提取查询索引 Token(涵盖演员运动、占用演变、路线交互及 TTC 裕度),并在部署时基于当前上下文预测同一 Token 空间以条件化轨迹几何。

  5. arXiv · 机器人与计算机视觉74

    RiSE-Drive:端到端自动驾驶的风险敏感长视界候选评估

    针对端到端自动驾驶中候选轨迹评估难以捕捉延迟失败和尾部风险的挑战,本文提出 RiSE-Drive 框架。该方法先进行条件潜变量未来展开,再估计长视界结果分布而非单一标量分数,最后利用感知尾部风险且对扰动鲁棒的决策准则对候选项排序。在 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准上的实验表明,RiSE-Drive 实现了最先进性能并显著提升了候选选择的鲁棒性。

11月10日周二
  1. arXiv · 机器人与计算机视觉56

    一种结合归纳与演绎推理的自动驾驶规划神经符号框架

    针对端到端自动驾驶模型依赖纯数据驱动归纳推理导致的黑盒性与长尾场景安全性挑战,提出新型神经符号轨迹规划(NS-Plan)框架。该框架利用大语言模型动态提取场景规则,并采用答案集编程求解器进行确定性逻辑仲裁,生成可追溯的离散驾驶决策;通过决策条件解码机制将高层逻辑决策转化为可学习嵌入向量,约束微分自行车模型的物理初速度;结合动力学基线轨迹与神经网络残差修正。

  2. arXiv · 机器人与计算机视觉75

    DeltaForge:首个用于多域自动驾驶的事后混合专家视觉语言动作模型

    针对各运营方独立微调导致难以合并的难题,本文提出 DeltaForge,这是据我们所知首个事后混合专家 VLA 架构。该方法利用不同微调更新间的共享结构,通过奇异值分解(SVD)将权重更新拆分为共享部分和极小的域特定部分;路由网络仅需处理这些微小片段而非全量专家权重,从而保持高效。

  3. 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%。

11月9日周一
  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。

11月6日周五
  1. 盖世汽车 · 汽车资讯35

    轻舟智航:从无人驾驶迈向通用物理 AI

    轻舟智航技术副总裁钱祥隽在 2026 第四届 AI 定义汽车论坛上提出,世界模型与强化学习是通往通用物理 AI 的必经之路。公司云端底座支持零样本生成恶劣天气及长尾场景,车端 Pro 方案基于地平线征程 6M 芯片实现城市 NOA 量产,MAX 方案算力超 500 TOPS。目前辅助驾驶系统搭载量已超 100 万台,测试车正在德国慕尼黑、法国巴黎等地路测。

  2. arXiv · 机器人与计算机视觉68

    通过统一世界 - 动作模型中的负向感知规划增强端到端自动驾驶安全性

    针对世界 - 动作模型(WAM)在安全关键场景中依赖专家轨迹模仿导致不安全替代方案约束不足的问题,该研究提出 NegWAM 框架。该方法构建几何上接近专家轨迹但携带安全风险的反例作为排斥锚点,引导预测远离危险行为,并编码为场景条件化的 rider token 以学习场景 - 轨迹兼容性。

11月5日周四
  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. 盖世汽车 · 汽车资讯28

    Momenta R7 世界模型赋能凯迪拉克 XT5 PHEV 高阶智驾

    通用汽车携搭载 Momenta R7 世界模型的凯迪拉克 XT5 PHEV 亮相进博会,该插混 SUV 交付即支持高阶辅助驾驶功能。展台同展的凯威德也采用与 Momenta 联合开发的系统并配备舱内隐藏式激光雷达。凯迪拉克自 2004 年入华累计服务超 210 万用户,正深化“在中国,为中国”的智能电动化战略。

  3. 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。

11月4日周三
  1. 车东西70

    得世界模型者得天下?Robotaxi企业纷纷押注下一场技术革命

    车东西报道指出,全球Robotaxi竞争进入新分水岭,Waymo融资后发布基于DeepMind Genie 3的世界模型,百度则披露面向物理AI的ApolloWorld。文章分析世界模型通过生成虚拟路测(如一天顶三年)解决实车测试效率瓶颈,并对比了两者在技术路径上的差异:Waymo侧重复杂场景生成与多传感器仿真,而百度更强调因果性、交互性及完整出行任务的验证,旨在支撑L4系统的训练与商业化落地。

  2. arXiv · 机器人与计算机视觉70

    Distill to Think, Foresee to Act:面向自动驾驶的认知 - 物理强化学习框架 CoPhy

    论文提出 CoPhy 框架,旨在解决端到端自动驾驶受模仿学习行为克隆上限的约束问题。该框架通过蒸馏视觉语言模型(VLM)知识至鸟瞰图编码器并移除 VLM,实现零推理成本的认知能力与可选的人类语言指令接口;同时构建自回归 BEV 世界模型以预测候选动作的未来语义地图,作为可解释的物理沙盒直接推导安全指标。

  3. 盖世汽车 · 汽车资讯65

    GPT-6 真车测试后,智驾公司是否只剩一条路?

    元戎启行 CEO 周光认为通用大模型控制真车完成驾驶任务正在发生,传统智驾公司将面临转型窗口期。文章对比了华为乾崑、Momenta、特斯拉和元戎启行的技术路线差异,指出行业分歧在于参数量与架构选择、数据飞轮权重及商业化节奏。2027 年 L3 强制国标实施、Robotaxi 规模化部署及付费模式验证将是关键节点,决定行业洗牌格局。

11月3日周二
  1. arXiv · 机器人与计算机视觉58

    当探测何时、行动何时:基于清晰度的风险自适应交互式驾驶控制

    论文针对交互式交通中不可观测的人类特征及多智能体互动的互惠性,提出统一信念空间模型预测控制框架,将信息清晰度作为显式规划变量与安全性规范协同设计。该方法在车道汇入和无信号灯路口场景中,相比代表性基线方法,在 5000 次仿真中取得最高成功率(94.6% 和 93.2%)及最低碰撞率(1.2% 和 1.4%)。材料为预印本,已提交至 ICRA 2027。

  2. 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。

  3. 盖世汽车 · 汽车资讯33

    智己 LS8 NEO 全系标配宁德时代定制电池与 Momenta 世界模型物理 AI

    智己 LS8 NEO 于 10 月 29 日开启预售,全系标配宁德时代定制高品质电池及 Momenta 世界模型赋能的全域物理 AI。新车提供 93kWh 和 103kWh 两款电池版本,CLTC 续航分别达 684 公里和 752 公里,百公里电耗低至 15.2kWh。双大厂协同实现了低温 SOC 估算精度提升至 2%-3%、15 分钟补能 529 公里及全系标配全线控灵蜥底盘等越级配置。

11月2日周一
  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。

10月30日周五
  1. arXiv · 机器人与计算机视觉63

    重型卡车交互式高速交通的短时视界模型预测控制学习终端代价

    针对重型卡车在高速公路上自主驾驶的控制挑战,本文提出一种混合模型预测控制(MPC)与强化学习(RL)框架。该框架利用动态规划求解有限视界 MPC,并引入预训练的 RL 模型来估计终端代价,以平衡安全约束与长期决策效率。研究在包含反应性周围交通的仿真环境中进行了评估,结果显示该方法实现了零碰撞且成本最低,优于纯 MPC、基策略 rollout 及纯 RL 方案。