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。
论文提出了 GridDriver 框架,结合轻量级时空 BEV 感知与结构化空间 Token,在共享 LLM 中实现轨迹预测、自然语言导航及场景问答。系统在 NAVSIM 基准上达到 87.9% PDMS,nuScenes-QA 准确率为 57.6%,车载 ROS 2 端侧规划延迟为 32.7 ms(约 9.4 plans/s)。
该研究在仿真与 Cyber-Physical Mobility Lab 实验中验证,利用跨摩擦条件池化数据可使多步均方根预测误差保持在匹配数据的 1.5 倍以内。闭环追踪结果显示,池化策略在低摩擦轮胎下误差差值为 0.1 cm,高摩擦下为 0.2 cm,实现了无需专用适配方法的变摩擦部分自适应。论文已提交至 2027 年欧洲控制会议(ECC),代码与数据待开放许可。
现有自动驾驶数据集多覆盖常规驾驶,缺乏安全关键场景与极端环境的真实数据。本文发布 ExtremeDrive 数据集,包含从海量记录中精选的 589 个涵盖紧急操作、复杂交通互动及雨雪等恶劣路况的场景,提供校准对齐的多传感器数据及人工审核的道路结构与交通参与者标注。
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。
nuReasoning 是一个大规模真实世界数据集和基准,包含来自多个城市的 20,000 个 20 秒片段,配备同步多相机图像、LiDAR 数据、HD 地图、物体标注及人工验证的空间、决策和反事实推理标注。
该研究针对学习型规划器对驾驶数据长尾分布敏感的问题,提出 FlowDrive 框架。该方法采用轨迹模式重加权策略平衡采样数据,并引入条件修正流将噪声直接映射到轨迹分布。通过加入受控引导与轻量后处理(FlowDrive*),在 nuPlan 和 interPlan 基准测试中实现了接近或超越规则基线方法的最先进性能。代码已开源。
论文提出了 ScaleDrive 框架,专门针对端到端自动驾驶进行预训练。该研究利用大规模互联网开放世界驾驶视频(无动作标注或基准特定数据)进行视频潜变量预测预训练,并在下游规划训练中冻结预训练编码器以隔离表示的可迁移性。实验表明,这种无动作的预训练能增强冻结表示中的时序和几何信息,且在多种端到端策略架构及闭环基准测试中均能提升性能并证明泛化能力。
国际数据公司(IDC)在《中国汽车云市场跟踪,2026H1》中首次将 AI 座舱解决方案作为独立市场统计,2026 年上半年市场规模为 7.1 亿元。火山引擎以 45% 的市场份额位居第一,阿里巴巴位列第二。该统计范围涵盖 AI 开发平台、模型即服务(MaaS)及应用运营服务,不含硬件。IDC 预测 2030 年市场规模将达到 47.1 亿元,未来四年复合增长率接近 30%。
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。
该论文分析了 NeuroNCAP 基准上 DiffusionDrive 等模型的碰撞主要由规划失败导致,并提出一种针对特定规划器的模型感知框架。该方法利用从规划头蒸馏的可微分代理在鸟瞰图层面发起攻击,自动生成安全关键场景及逃逸轨迹用于微调,无需昂贵的视频渲染器参与攻击循环。
论文针对自动驾驶在新城市部署成本高、需大量人类演示数据的瓶颈,提出 NOMAD(No data Map-based self-play for Autonomous Driving)方法。
推荐理由:提出 NOMAD 方法,利用自博弈强化学习仅凭地图信息实现跨城市策略迁移,无需目标城市的人类演示数据。
该研究指出轨迹评分规划器在处理路口替代指令时存在超过 30% 的忽略率,归因于现有指标未明确测量导航遵循及数据集缺乏多指令配对。为此提出二值化导航合规指标(NAVI)与可控性度量(CM),并发布包含 14,918 个路口场景及所有可行替代指令的 NavControl 数据集。
针对现有自动驾驶模型在跨区域场景下缺乏适应性的问题,本文提出 OEL-AD 框架,利用规划模块的轨迹不确定性作为触发信号,通过预测行为与后续观测的差异构建自监督学习信号来优化感知和预测模块。在 nuScenes 数据集的新加坡与波士顿跨区域划分上的实验表明,该框架能持续提升感知、预测及规划性能,验证了在线进化学习在构建自适应自动驾驶系统中的潜力。
研究通过受控评估发现,在 HighwayEnv 测试床(1Hz, gpt-4o-mini)上,经验记忆的收益主要源于最佳预热池抽取,而非检索机制本身。仅含 15 token 的谨慎指令即可达到碰撞合并上限,且基线端口质量缺失会导致结论反转。团队已发布经审计的测试床、端口及缓存数据供验证。
针对视觉 - 语言 - 动作(VLA)模型在车载实时推理中参数规模过大导致能耗高、续航受限的问题,本文提出 Scene-Adaptive VLA 框架。该框架利用动态层路由机制,根据场景感知复杂度和决策偏差分配预算,从而调整活跃参数比例并选择适当的层组合。
针对自动驾驶规划中复杂多智能体交互下的安全合规挑战,本文提出 GRID-Planner 框架,将图感知重要性加权、时间索引的关系奖励代理及优势加权扩散目标相结合,实现无需显式似然率的策略更新。在 nuPlan 和 interPlan 数据集上的实验表明,相比纯扩散基线,该方法分别降低碰撞率 35.8%、车道偏离率 60.8% 和加加速度 27.4%,规划得分提升 3.4%。
该论文在 CARLA 仿真城市中,利用核密度估计器调整训练样本权重,解决了行为克隆(BC)方法在交通灯合规等稀缺专家演示场景下的学习难题。实验表明,相比标准 BC,该方法显著提升了路线完成率,尤其在未经历训练的测试环境中表现更佳。研究采用鸟瞰图输入简化策略学习过程,相关手稿已作为 BRACIS 2024 会议录用版本公开。
针对运动规划中泛化性不足的挑战,本文提出一种不确定性驱动的自博弈方案。一半智能体奖励增加邻居的认知不确定性以探索弱点,另一半学习安全驾驶。该方法利用认知不确定性作为难度代理,自动生成挑战性子集,无需人工设计场景。
推荐理由:提出不确定性驱动的自博弈方案,利用认知不确定性作为难度代理实现自动课程学习,在 nuplan 和 Argoverse 2 上零样本迁移效果优于标准自博弈。
该方法提出基于用户生成地图数据的引导式数据集创建流程,旨在解决现有数据多限于乘用车而忽视重型卡车、巴士及有轨电车等多模态交通的问题。研究识别了包括穿越人行区及拖车移动在内的代表性卡车专用用例,以支持针对复杂城市环境的定向采集规划。
WZDrive 模型基于包含 1,183 个路段片段的人机环驾驶数据集,在道路施工区场景下将 minADE(K=6) 降低 7.18%、minFDE(K=6) 降低 13.18%。该研究通过结合 VR 控制工人动画与人类驾驶员信号,填补了城市作业区自动驾驶轨迹预测的数据空白。相关代码与数据已随 arXiv:2610.12747v1 发布。
2026 年 9 月 18 日,中国一汽研发总院在第四届 AI 定义汽车论坛上发布整车多域 AI 智能体落地路径。该方案构建统一模型平台与矩阵架构,采用千 TOPS 异构算力部署 50BMoE 至 200BMoE 大模型,实现亿级场景库与 7 日内数据闭环。行业正从软件定义汽车向 AI 定义汽车演进,一汽通过“产品先行、系统下沉”策略推动智能驾驶与座舱全域协同进化。
本文引入 ViRA 框架以探究视觉基础模型(VFM)在端到端自动驾驶中的有效性,研究发现 VFM 引导的视觉表示能一致提升性能且无需改变规划器架构。研究还指出选择 VFM 目标对规划性能有影响,而辅助感知监督可减少对此选择的敏感度。基于此开发了无需辅助监督的 ViRA-Diffusion 扩散模型,在 NAVSIM v2 navtest 上取得 92.3 EPDMS 成绩。
尽管全球近 50 个国家已产出超 600 个自动驾驶数据集,但碎片化与基准激励导致多数数据未被充分利用。该 NeurIPS 2026 位置论文指出当前研究范式存在局限,主张建立社区驱动的数据生态以提升发现、复用与评估效率。作者呼吁学界与工业界协作,将分散数据集转化为支持随时随地自主驾驶的共享基础设施。
该研究将任务感知认证构建为运行时保障契约,区分篡改、证据陈旧与决策延迟三种拒绝原因。基于硬件在环车辆 - 基础设施平台评估显示,安全盲模型接纳整个操作空间,而硬件知情模型仅接纳四分之三且拒绝点均因新鲜度不足。认证间隔调整成本约等于延迟分布五倍扩展,该参数可直接配置以适配物理状态预算。
该研究利用 Michigan Mcity 测试场与仿真环境,验证了针对开源 Level 4 自动驾驶系统的第三方行为安全评估框架。结果显示该系统仅拥有 14 项行为能力中的 6 项,每英里事故率为 3.01x10^-3,约为人类驾驶员的 1,000 倍并暴露未知不安全场景。这些发现强调了在大规模公共部署前进行此类独立安全评估以改进性能的必要性。
针对自动驾驶遥操作依赖移动网络资源且难以时刻保障的问题,该研究提出基于历史数据的预测框架以增强系统韧性。该方法通过引入历史数据融入预测流程,有效缓解了机器学习模型在面对未见数据时因概念漂移导致的性能下降。此外,研究还引入了关键场景检测指标,专门用于评估遥操作任务下的预测表现。
该研究总结了开发灵活多传感器自动驾驶平台的挑战与经验,涵盖机械设计、传感器校准及时间同步等基础问题。作者分享了利用 GNSS 和 NTP 协议实现系统级时间同步、定制不同传感器配置的校准流程以及提升野外部署可靠性的具体缓解策略。这些见解旨在为研发新型多传感器系统的研究人员提供参考,以提升自动驾驶测试的可复现性与鲁棒性。
Torc 成立 DataLoop and Simulation (DL+S) 部门,旨在统一组织内从数据摄入、处理到模型验证及部署的完整开发周期。该部门利用 Ray 等工具标准化工作流,管理每小时约 9TB 的卡车运营数据并构建闭环实验循环以加速 AI 模型迭代。通过整合仿真生成合成数据与强化学习,DL+S 确保在海量多模态数据处理下实现高效计算与可审计的安全部署。
Torc 利用最新一代车辆与执法、消防及急救部门合作,在测试场采集高质交互数据以增强 AV 3.0 软件对紧急车辆的感知与响应能力。仿真环境基于实测数据生成数千种排列组合,进一步提升了模型应对复杂紧急情况的能力。此举旨在扩大数据集多样性,确保自动驾驶系统在多变现实场景中安全可靠运行并建立公众信任。
Mobileye 通过整合 EyeQ6 High SoC、REM™及驾驶员监控系统,实现包含高速双手离轮、自动变道及泊车在内的 L2+ 统一能力。系统依托超 800 万辆采集车辆生成的 340 亿英里数据(截至 2025 年),在扩大 ODD 范围的同时兼顾成本与可靠性。该方案旨在将高阶自动驾驶技术安全、可扩展地引入量产车型,重塑车内驾驶体验。
Autoware 发布 1.9.0 版本,核心更新包括将扩散规划器(diffusion_planner)升级至 v5.0 模型文件,并正式支持 NVIDIA Thor(Jetson + DRIVE)平台在 JetPack 7 与 SBSA CUDA 13 环境下的运行。
CVPR 2026 参会人数超万、论文提交达 16,092 篇且录用率仅 25%,多模态 AI 与自动驾驶研究显著增长。Torc 作为铂金奖牌赞助商,展示了 Freightliner Cascadia 卡车及 VR 演示,并发布了 TruckDrive 长距高速驾驶数据集。该会议标志着从感知中心向具备全 3D 世界理解能力的具身系统转变,Torc 正引领这一技术前沿。
Autoware 1.6.0 正式发布,核心更新包括将扩散规划器从 v1.0 替换为 v3.0,并移除旧版 v0.1。该版本同步升级底层依赖至 CUDA 12.8、ROS 2 Jazzy 及 Isaac Sim 22.0.0,同时优化了 Jetson/ARM64 架构的构建配置与文档安装指南。此次发布还完成了部分二进制符号剥离及 CI 工作流简化,旨在提升仿真到现实部署效率并降低环境搭建门槛。
2025 年 8 月,百度 Apollo 向浙江大学捐赠 6 辆 L4 级别前装量产自动驾驶车辆及全套套件,支持教学科研测试。该举措依托 Apollo 开放平台打造仿真评测与实车演练一体化赛事,近三年来已吸引全国 130 多所高校参与第 27 届 CRAIC 总决赛。此举旨在推动产学研用深度融合,加速我国自动驾驶人才培养与产业繁荣发展。
Kognic 宣布 Kodiak AI 选用其传感器融合数据标注平台,以可靠高效地扩展标注流程并增强模型性能。双方整合 Kodiak 的高级预标注能力与 Kognic 平台,实现 AI 标注流水线自动化,构建“AI 飞轮”以提升多传感器(雷达、LiDAR、相机)数据的标注效率。