加州大学欧文分校自动驾驶世界模型新论文：SafeDriveVLA先预演导航后果再决策
论文标题：SafeDriveVLA：面向冲突感知端到端自动驾驶的“导航条件世界模型预演”方法
标签：自动驾驶
共 55 篇
汽车机器人最短时间路径：12条基元变15条，不打滑才最优
几十年了，类车机器人「最快怎么开」这个问题，一直建立在一个有点心虚的假设上——轮胎永远不打滑。这篇论文把自行车模型的轮胎接触力算进来，发现最优路径的清单上其实还缺三条基元，而且缺的正好是轮胎将滑未滑的那一瞬间。
都柏林圣三一学院：车载入侵检测99.9%准确率，延迟0.25毫秒
现代汽车内有多个电子控制单元（ECU），通过控制器局域网（CAN）总线通信。刹车、转向等功能都依赖这条总线，但CAN协议缺乏身份认证，任何节点都能发送消息，易受攻击。
同济大学提出拉马克驾校：自动驾驶训练场景进化，性能损失最高降25.07%
自动驾驶训练里，最容易被当成“背景板”的其实是场景分布。同济大学干脆把它变成会进化的变量：候选场景分布按“训完到底开得好不好”来竞争，优胜路径再蒸馏成一套六阶段轻量课表。完整进化让性能损失比 Replay 降低 25.07%，轻量策略也有 19.13%。
博世自动驾驶视觉语言动作模型：A100近30fps且闭环成功率77.27%
论文基本信息 方法简称： 快速高效自动驾驶视觉语言动作模型（FIVE-VLA） 原文标题： FIVE-VLA: Fast and Effective Autonomous Driving with Recurrent Action Memory 主要署名单位： 博世 合作单位： Five AI Ltd. 首次公开： 2026年9月16日（arXiv v1）
29个检测器12个数据集实测：自动驾驶存储减负新范式
这篇文章切入角度很刁钻：别人都在优化模型算力，它却盯上了摄像头到内存的搬运能耗。用一个带语义感知的存储编码器，在保护行人检测精度的前提下，把前视相机接口能耗砍掉约36%，而且跨29个检测器、12个数据集验证，落地感很强。
车联网联邦学习防偷窥新招：梯度不再裸奔，MitM下保78.2%准确率
联邦学习在车上，梯度在公开网络中传输，易被中间人攻击。论文结合差分隐私和同态加密，用DP参数决定加密哪些梯度，攻击下准确率从10.4%提升至78.2%，开销增加约8-10%。思路清晰，实用性强。
UCSD最新研究：知识图谱重构协同驾驶，遮挡推理暴涨42%，通信骤减25.6倍
协同驾驶最怕的不是"看不见"，而是"看见了却说不清谁看到的"。G-MARK用知识图谱把车辆间的观测证据变成显式可追溯的推理对象，遮挡推理提升42.2%、通信成本压缩25.6倍，是轻量级可落地的协同推理新范式。做自动驾驶、车路协同的朋友值得一读。
2.5%干预代价换取53%碰撞减少，KAUST新范式
自动驾驶这事儿，有个特别拧巴的现象：你看那些端到端大模型，在 benchmark（标准测试基准）上跑分一个比一个高，可一放到真实世界里，偶尔会像个刚拿驾照的新手一样，干出些让人血压飙升的事儿——比如老老实实闯个红灯，或者。
中科院新Agent：AI City 2026三赛通吃，FETV斩获亚军
一个统一框架同时接管监控、鱼眼和行车记录仪三类交通视频，在AI City 2026出战三个赛道，FETV与第一名只差0.0007。这套「观察-推理-行动-验证」的智能体工作流拆解起来很有嚼头，适合所有对多模态视频理解与跨域泛化感兴趣的读者。
北航北邮提出GeoUP：一个骨架统一三大3D感知任务，五大驾驶基准SOTA
自动驾驶3D感知，向来是深度、检测、占用各学一套。北航与北邮提出的GeoUP，直接把视觉几何基础模型VGGT改造成统一3D感知骨架，一个模型三大任务全包，在nuScenes、Waymo、Argoverse 2、KITTI、DDAD五大基准拿下SOTA。思路清奇，落地潜力值得关注。
中科院自动驾驶"错题本"：26毫秒现学现卖，Navtest冲到94.1
老司机最怕的不是路况差，而是同一个坑栽两次。这篇论文给自动驾驶大模型装上一个"失败记忆库"，用结构化解耦检索加上解耦LoRA测试时训练，让模型现学现卖、遇险纠偏，还把NAVSIM双榜SOTA收入囊中，代码已开源。
