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。
标签：自动驾驶
共 55 篇
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。
告别“走一步看一步”！GraphWorld让自动驾驶学会用潜世界模型“预判未来”
现有的端到端自动驾驶方法大多“走一步看一步”，缺乏长远预判。本文提出的GraphWorld，用潜世界模型为车辆装上“预知眼”，不再生成昂贵的未来视频，而是将交互关系压缩成紧凑的潜世界状态，大幅提升6秒长时域规划的精度和安全性，碰撞率直接砍半。论文已被CVPR 2026接收。
32.7%提升背后：VLM+规则工具箱混合评估新范式
自动驾驶评估就像考试打分。传统规则死板，遇到避让、绕行等“合理违章”就给负分；纯VLM评估虽有上下文理解，却难胜任精细安全判断。英伟达团队这次祭出杀手锏—— DriveJudge ，让VLM当“考官”，根据场景决定哪些规则该用、哪些该放一马，既保住了规则的物理严谨，又拿捏了上下文的柔性。看完绝对拍大腿：这才是评估该有的样子！
