TAIL2SENSORS：自动驾驶的“物理线索路由”新范式
自动驾驶里让AI听懂“右前方二十米那辆白色轿车”并不简单，因为颜色、距离、运动速度这些线索分散在不同传感器手里。这篇论文一口气集齐相机、激光雷达和4D毫米波雷达，搞出全球首个三传感器3D视觉定位数据集Talk2Sensors，再配一个TSFormer框架，把强基线甩开8.05 mAP，还让“物理线索路由”第一次有了正经benchmark。做多传感器感知的团队
标签：自动驾驶
共 50 篇
武汉理工最新研究：乡村自动驾驶合成数据最佳配比1:0.5，YOLO11m精度0.758
中国乡村道路的自动驾驶一直是个“数据荒漠”。这篇论文不光造了个包含14类乡村特有害物的数据集，还系统测了13个检测器，用实验打脸“合成数据越多越好”的朴素直觉——最佳比例是1:0.5！对于想低成本落地乡村自动驾驶的团队，这份报告就是现成的“避坑指南”。
自动驾驶告别特权信息！Valeo.ai 500亿步开创新范式
继6月聊过Mila的Gigapixel自博弈训练之后，Valeo这篇Pictura直接更进一步：把强化学习的观察空间从特权矢量换成了摄像头第一视角的渲染图，彻底消除了部署时的表征鸿沟。500亿步训练后，效果居然还能跟特权基线掰手腕，零样本迁移到Waymo场景甚至反超——这才是自博弈该有的样子。
法国VEDECOM新框架：50ms求解纳什均衡，自动驾驶左转不再尴尬
路口左转，人车交汇，那几秒的“你瞅啥”“瞅你咋地”堪比心理战。自动驾驶要是只按规则莽冲，人类司机怕不是要急刹到吐。法国VEDECOM研究所给自家Renault Zoé装了个“博弈脑”——把路口交互建模成广义纳什均衡游戏，再用粒子群算法50毫秒算出最优默契策略。实车跑过左转场景，你看这轨迹，多像两个老司机在点头示意。
9大消融实验验证：比亚迪混合世界模型凭什么成为自动驾驶新标杆
当自动驾驶世界模型还在像素级预测的"精细"与潜变量预测的"鲁棒"之间二选一时，比亚迪团队直接端出了一盘"混合大餐"——HyWorldVLA。预训练阶段同时预测像素和潜变量，既保住了细粒度时空建模，又继承了潜变量的抗噪能力。NAVSIM v1/v2双榜夺冠不是最惊艳的，雨雾场景下PDMS高达86.87（竞品仅60+）才真正让人眼前一亮。一句话：不做选择，全都要
北邮新方法：夜间深度估计误差暴降85%，雪天零样本也涨20%
雨天路面反光、夜间地面忽明忽暗、雪天纹理全无——自监督深度估计在这些场景下经常直接崩掉。北邮这篇工作给出了一个漂亮的解决方案：先用多个「天气专家」教师产生伪标签，再用不确定性蒸馏让学生学会判断该信谁；同时把雷达从稀疏的POV视角投影到更稠密的BEV空间做跨注意力融合。效果立竿见影，夜间absRel暴降85%，雪天泛化也提升了20%+。代码已开源，值得所有做自
清华×阿里最新方法：先验保留+自适应路由
自动驾驶里最烦的事，不是“看不见”，而是“看见了一堆东西却不知道该信谁”。PerceptDrive 直接把这个矛盾摊开：感知先验不再一锅炖，而是分专家保留、按场景路由，再输出单条轨迹，90.4 的成绩也就顺理成章了。
nuScenes上实测：红灯竟比大车更“有戏”
自动驾驶模型最怕的不是“看不见”，而是“看见了却不知道到底信了谁”。这篇工作直接把单个目标从画面里抹掉，再看轨迹怎么变，黑盒里谁在捣鼓方向盘，终于有机会被点名。
证据中心闭环框架：自动驾驶怎么测才算过关
自动驾驶测试最尴尬的地方，不是没工具，而是工具、场景、指标全都有，最后还是没人敢拍板“能上路了”。这篇论文直接去问了6个国家9家公司的实战派，把工业界到底怎么测、卡在哪、以后想怎么测，摊开讲明白了。
TUM新论文：世界模型先验资质，不然判决不算数
世界模型最容易犯的错，不是不会生成，而是生成得太像了，结果把动作是否有效这件事给糊弄过去了。慕尼黑工大这篇论文把“能不能信”拆成一层层门槛，读完会发现，闭环评测这件事，真没法只看画面好不好看。
6G卫星语义通信新框架：VAE把带宽压到98.17%
这篇论文把“自动驾驶需要传什么”这件事说得很直白：别再傻乎乎传整张图了，直接传任务相关语义。更有意思的是，它不是只做压缩，还把重建和分类一起训练，顺手把卫星链路下的低信噪比问题也一起收拾了。
北大×小米新方法：施工区域规划更稳了
施工路段最容易把模型训练出的“老司机直觉”打回原形。WorkDrive的思路很直接：先把现场关键事实看清，再把因果链讲明白，最后用一致性奖励把轨迹拽回来，适合关心自动驾驶落地的人细看。
