OWMDrive来了：4D世界模型让自动驾驶先看见未来
这篇论文最有意思的地方，不是又堆了一个规划器，而是先让车“脑补未来场景”，再去做轨迹生成。对遮挡多、交互复杂的驾驶环境来说，这种先预测世界再决策的思路，比只盯着眼前画面靠谱得多。
标签：自动驾驶
共 50 篇
nuPlan上新方法涨分23点：闭环错误变教材
自动驾驶最难的不是“会开”，而是“开错了怎么补课”。R2LPL把闭环里的错误当成教材，再用终身学习把知识存住，思路很务实，尤其适合关心落地和长期迭代的人。
华中科大小米汽车新方法：中间层一训，PDMS涨1.3
这篇论文最有意思的地方，不是又堆了一个更大的自动驾驶模型，而是把“中间表示”当成了真正要训练的对象。它把视频生成、轨迹规划和安全边界三件事拆开处理，结果还真把收敛速度和闭环表现一起抬起来了。
MVPruner让多视角VLM提速4.97倍
多视角自动驾驶 VLM 的老毛病很现实：token 太多，推理就慢；token 剪太狠，车就容易“看走眼”。MVPruner 的关键不是硬砍，而是先看哪个视角更杂、再看哪个 token 更有任务相关性，思路比较像老司机先扫全景、再盯关键路口。
LAMM和MS-Mapping都输了？这套UAV建图框架更会修图
无人机多会话建图最怕两件事：飞得远就漂，拼得多就歪。这篇论文把RTK时空对齐、不确定性感知因子图和粗到细优化串起来，思路完整，实验也很硬。
CVPR新思路？无对应点云配准快10倍
点云配准里最烦的事，不是算不动，而是先得“找对象”。这篇 Generalized-CVO 直接把对应点这一步掀桌子，改用各向异性核和二阶黎曼优化，速度和鲁棒性都挺能打。
IEEE 2026新作：安全迁移强化学习让换道更稳更快
这篇论文把“老师盯着学”这件事，做成了一个能自适应收放的安全迁移框架。换道这种高风险任务里，它不只管少撞车，还尽量别把效率一起按进地板里，思路挺顺手。
ASSCG来了：自动驾驶LLM该查、该存、还是该扔？
自动驾驶里最怕的不是“慢”，而是慢系统该出手时没出手、不该出手时瞎出手。ASSCG把这个老大难问题拆成“查、存、扔”三种动作，思路很朴素，效果却相当能打。
UniTeD拿下NAVSIM 90.2：感知规划一起扩散
这篇论文把自动驾驶里最爱“各干各的”的感知和规划，硬生生塞进同一个扩散框架里一起去噪。再配上TTM和ARS两个补丁，既照顾时序，又盯住训练推理偏移，属于那种思路很顺、工程也不算太虚的方案。
端到端自动驾驶：22小时适配变0.9小时，且零在线交互
端到端驾驶系统有个“隐形痛点”：车厂不断升级感知模型，可下游的决策策略一旦重训就是天价成本。上海交大这篇论文直接点题：不重训策略，就用一个轻量“拼接层”把特征空间对齐回来！效果扎实，跨域场景下驾驶分数从34.76飙到89.88，而适配时间从22小时缩到1小时以内。这思路特别实用，喜欢搞工程落地的朋友别错过。
中山大学最新研究：让自动驾驶先“脑补”未来，再“反思”轨迹，4B模型SOTA效果亮眼8B
大多数自动驾驶模型都是“一条路走到黑”，直接生成轨迹，却不知道这轨迹未来会导出什么结果。中山大学等机构提出的IRR-Drive模型，让智能体先“预设意图”，再通过预测未来BEV可视化地“反思”一遍，最后才修正轨迹。这种做法在NAVSIM v1/v2两个权威榜单上都拿到SOTA，而且仅用4B参数就能干翻不少8B模型，性价比拉满。
Mila等最新研究：告别仿真瓶颈！自博弈训练端到端自动驾驶，效率吊打行为克隆
在继2026年6月推送过‘自动驾驶新突破！LLM+端到端双系统让无人车学会"老司机"思维’之后，今天Mila、蒙特利尔大学等机构的研究者们又开辟了让AI在虚拟世界里‘自己跟自己飙车’以训练端到端驾驶的新范式。其核心在于用超高速模拟器Gigapixel实现像素级自博弈训练，显著提升了模型的闭环鲁棒性，是应对长尾安全问题的一记猛药。
