Test-Time Coverage:面向部署感知的学习之测试条件化数据策展
论文提出了 TTCov(Test-Time Coverage)方法,这是一种数据级的测试条件化策展技术,旨在解决传统方法仅优化训练侧标准而非直接匹配部署分布的问题。
论文提出了 TTCov(Test-Time Coverage)方法,这是一种数据级的测试条件化策展技术,旨在解决传统方法仅优化训练侧标准而非直接匹配部署分布的问题。
论文介绍 UNIVERSE,这是一个基于单掩码调制扩散 Transformer 构建的统一视频 - 动作模型,旨在解决部署世界动作模型时昂贵的未来视频生成问题。
针对自动驾驶模型训练依赖车载传感器且采集成本高的问题,本文提出 AnyR2V 框架,将路边多模态观测转化为不同车辆视角的七摄像头环视视频。该框架聚合时序观测构建共享场景表征,渲染外观、深度和布局条件以匹配目标车辆轨迹,并利用时空对齐的路侧 - 车载数据对进行监督生成。
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%。
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。
Orilo 发布语音优先个人智能体,通过前端轻量模型与后端高推理 Agent 的双层架构解决延迟难题。实测在 Full-Duplex-Bench 测评中打断重开速度达 1.08 秒,优于 GPT Realtime(1.50 秒)和 Gemini Live(2.62 秒)。该产品由百川智能联合创始人焦可团队打造,旨在以自然语音交互重塑人机关系。
针对自动驾驶感知仿真中输出一致但视觉依据不同的问题,论文提出了概念决定性特征保真度(C-DFF)诊断方法。该方法从冻结的待测系统提取关键证据,利用现成分割模型将其投影到共享语义空间并对比真实与合成数据的概念重要性向量。
PCLA-Bridge 是一个无需活跃 CARLA 服务器即可运行未修改 CARLA Leaderboard 智能体的工具,支持从任意传感器源到任意控制目标的部署。
推荐理由:PCLA-Bridge 框架允许在不修改 CARLA Leaderboard 模型的情况下,将其跨域部署到 MetaDrive、AWSIM 等仿真引擎及真实数据流中。
针对自动驾驶仿真中跨轨迹视频生成的挑战,该研究提出了 GeoV2V,一种结合 LiDAR 和深度几何先验的视频到视频扩散框架,在 Wan 2.1 骨干网络上实现时序一致的新视角合成。
Kodiak AI 宣布采用亚马逊云科技(AWS)作为核心云平台,支撑其 BreakPoint 安全验证工具、AI 模型训练及 Driver 自动驾驶系统的开发。该合作旨在利用 AWS 的高性能计算能力运行百万级仿真场景,加速在 2026 年底前于德州公共高速公路推出无人驾驶货运服务。此举为 Kodiak 未来在美国范围内的规模化部署提供了可扩展的云基础设施基础。
Mobileye 提出以安全架构、边缘案例驱动学习、专用软件栈及规模优先工程为核心的物理 AI 方法,覆盖完全自主的 Robotaxi/消费级 AV 及工业与家用 Mentee 人形机器人。该体系通过 Meteor 识别长尾场景并利用 Genario 生成合成数据训练,旨在实现硬件软件垂直整合下的安全实时决策与灵巧操作能力。
Kodiak 采用自研的 BreakPoint 工具结合概率风险评估(PRA)方法,量化评估其自动驾驶系统在罕见场景下的碰撞风险。该方法将不确定性纳入数学模型,通过对比人类驾驶基准数据,系统性缩小未知危险场景空间以验证安全性能。