🚗 自动驾驶¶
🧠 NeurIPS2026 · 52 篇论文解读
📌 同领域跨会议浏览: 🎞️ ECCV2026 (162) · 📷 CVPR2026 (176) · 🔬 ICLR2026 (54) · 🧪 ICML2026 (8) · 🤖 AAAI2026 (63) · 🧠 NeurIPS2025 (47)
🔥 高频主题: 自动驾驶 ×18 · 多模态 ×6 · Agent ×4 · 推理 ×4 · 扩散模型 ×2
- AutoExpert: Automating 3D LiDAR Annotation from Expert-Crafted Guidelines
-
AutoExpert 把专家指南中的文本规则和少量二维示例转化为可训练的检测器,再用视觉语言模型提供实例尺度与朝向先验、以固定尺度多假设检验定位三维框,最终在 AutoExpert-nuScenes 上达到 25.4 mAP3D,而不依赖目标任务的三维训练标注。
- Autonomous Driving Research Requires a Community-Driven Data Paradigm
-
本文系统剖析了自动驾驶研究中高被引基准与海量长尾数据集之间的断裂现象,倡导建立解耦采集与标注、具备统一标准与联合维护机制的社区驱动数据生态,以破解模型泛化瓶颈。
- Beyond Chamfer Distance: Granular Order-aware Evaluation Metric For Online Mapping
-
针对在线矢量化高精地图构建中倒角距离(Chamfer Distance, CD)与平均精度(mAP)缺乏点序感知且硬阈值掩盖定位误差的缺陷,提出严格满足度量公理的点序感知单实例度量 SOSPA 与支持定位/检测误差解耦的软多实例度量 PLD。
- Beyond Chamfer Distance: Granular Order-Aware Evaluation Metric for Online HD Mapping
-
针对在线高精建图传统 Chamfer Distance 缺乏顺序感知与 AP 阈值硬划分丢弃几何精度的缺陷,本文提出满足度量公理的有序序列点集距离 SOSPA 与软匹配多实例评测指标 PLD,实现了细粒度几何评测并解耦出定位与检出误差。
- Beyond Self-Play and Scale: A Behavior Benchmark for Generalization in Autonomous Driving
-
针对大规模强化学习自动驾驶策略缺乏标准化评测、基准场景交互度严重匮乏以及评估交通流单一等断层问题,本文提出了 BehaviorBench 评测套件,通过跨模拟器接口连接 nuPlan、基于 WOMD 构建 1k 高交互筛选切分、并引入覆盖多驾驶风格与行为克隆的异构交通智能体,揭示了纯自博弈 RL 策略在跨行为场景下的严重过拟合缺陷,并提出了融合规则安全性与强化学习博弈能力的 PDM+PPO 强基线。
- BitMTP: When Multi-Token Prediction Meets Low-Bit Large Language Models
-
针对低比特大语言模型中直接应用多Token预测会导致质量下降与算力开销倒挂的难题,BitMTP提出了涵盖联合训练、三类灵活解码策略及接受前缀对齐运行时的软硬件协同设计框架,在保持模型精度的同时实现高达2.1×至2.4×的解码吞吐加速。
- Bridging Scene Generation and Planning: Driving with World Model via Unifying Visual Geometry
-
WorldDrive 提出了将场景生成与轨迹规划紧密耦合的双阶段框架,通过轨迹感知驾驶世界模型预对齐视觉与运动表征并直接继承至轻量规划器,再利用未来感知奖励器免去扩散去噪实现毫秒级前瞻评估,在仅用单目视觉下刷新了 NAVSIM 等基准的最优闭环规划性能。
- CausalDriveBench: Evaluating Causal Reasoning in Vision-Language-Action Models for Autonomous Driving
-
首个基于珀尔因果层次(PCH)系统评估自动驾驶视觉-语言-动作(VLA)模型因果推理能力的基准测试,通过构建区分活跃/休眠/干扰实体的因果场景图,产出 7,285 个结构化问答与 1,000 条反事实参考轨迹,揭示了当前模型语言推理与动作规划在因果维度的严重解耦。
- Controllable Road Marking Generation
-
本文提出可控道路标线生成任务,结合潜空间整流流 DiT、拓扑感知软骨架损失与免训练结构化高斯渲染(SGR),实现了依据可行驶区域几何、外圈已知标线及自然语言指令高质量合成中心区域车道线、道路分隔线和人行横道。
- CoWorld-VLA: Thinking in a Multi-Expert World Model for Autonomous Driving
-
CoWorld-VLA 构建了由语义交互、几何结构、动态演变与自车轨迹四类专家组成的潜空间世界模型思维链,并通过双流扩散分层融合规划器将多专家世界表征显式转化为连续轨迹生成的条件信号。
- CRAFT: Counterfactual-to-Interactive Reinforcement Fine-Tuning for Driving Policies
-
针对开环端到端自动驾驶策略在闭环部署中的分布偏移难题,CRAFT 提出代理-残差(Proxy-Residual)强化微调框架,利用群体归一化的密集反事实优势作为代理信号,并结合真实闭环交互中稀疏致命事件的对偶截断残差校正与不对称 KL 自蒸馏,在 Bench2Drive 闭环评测中全面超越主流 RL 微调方法。
- CRISP: Fixing Flying Pixels in Latent LiDAR Generation via Diffusion Decoding
-
针对隐式激光雷达生成中卷积 VAE 解码器平滑深度边界引发"飞行像素"的瓶颈,CRISP 提出了一种骨干无关的即插即用扩散解码器,在保持编码器与生成器完全冻结的前提下显著修复边界几何并压低 50% 以上的感知误差。
- Drift-Resistant Navigation World Model with Anchored Epipolar Guidance
-
针对传统自回归导航世界模型在长时程推演中出现的误差累积(感知漂移)与视点失准(几何漂移),本文提出 DR-NWM,通过稀疏未来锚点引导的分块插值生成,并结合双向对极几何线相交注意力掩码,在无需显式 3D 监督的前提下实现了高保真、几何强约束的长程未来视角生成与下游规划提升。
- DriveDreamer-Policy: A Geometry-Grounded World–Action Model for Unified Generation and Planning
-
DriveDreamer-Policy 将大语言模型与轻量级生成专家统一集成,通过引入显式单目深度生成构建 3D 几何脚手架,以因果式「深度→视频→动作」信息流实现了高质量环境想象与鲁棒端到端运动规划。
- DriveFuture: Future-Aware Latent World Models for Autonomous Driving
-
DriveFuture 针对端到端自动驾驶中潜在世界模型仅作为未来预测目标而未直接参与决策的瓶颈,提出将真实/预测的未来潜在状态显式作为扩散规划器的双重条件,配合渐进式前瞻引导(PFG)打破推理期循环依赖,在 NAVSIM-v2 navhard 榜单取得 55.5 EPDMS 的 SOTA 表现。
- DriveHierarchy: A Benchmark for Diagnosing VLM Driving Capabilities from Open-Loop Understanding to Closed-Loop Execution
-
DriveHierarchy 将视觉语言模型的驾驶能力组织为感知落地、上下文记忆、心智推理和闭环执行四层,用统一开环任务及 100 个交互仿真场景诊断 15 个模型,并在 Qwen3-VL-8B 上展示仅补强开环薄弱能力即可把闭环综合分从 0.902 提高到 8.021,但这不等于真实道路安全保证。
- DriveMind: Mind-Evolving Belief Tracking for Closed-Loop Autonomous Driving
-
DriveMind 借鉴粒子滤波思想维护一个由自然语言假设构成的时变信念状态,并通过异步快慢视听动作(VLA)架构将高层多假设演化与低层高频扩散轨迹生成解耦,有效解决了闭环自动驾驶在歧义场景下的过早决策锁定问题。
- DriveSpatial: A Benchmark for Spatiotemporal Intelligence in VLMs for Autonomous Driving
-
DriveSpatial 是首个系统评测多模态大模型在自动驾驶多视角动态场景下“时空智能”的基准,基于五大主流自动驾驶数据集构建动态多关系时空场景图并施加严格跨视域约束,包含 1.56 万道经人工校验的问答对,揭示出顶尖模型与人类认知之间高达 28.4% 的性能断层。
- Driving on Memory
-
本文提出了用于端到端自动驾驶基准测试诊断的探针模型 MemoryDrivoR,通过完全移除被测场景的在线相机输入、仅以位姿检索的历史轨迹潜在记忆作为静态先验结合初始自车状态进行轨迹规划,揭示出 NAVSIM 等主流基准存在无需感知当前动态交通即可逼近 SOTA 的评测捷径。
- Driving Video Retrieval for Complex Queries with Structured Grounding
-
STRIVE-D 在独立驾驶视频上用弱标签排序目标校准运动规则,再按查询复用或适配规则并融合视觉与词法检索,使 DrivingDojo 的 Acc@1 从主表最强稠密基线的 14.6% 提升至 26.8%,但不是直接让 LLM 读取视频并判断真实几何。
- FlashBoB: I/O-Efficient Exact Backward-over-Backward for Softmax Attention
-
针对 Softmax 注意力二阶反向传播(Backward-over-Backward)显存爆炸与全局依赖痛点,FlashBoB 利用双反向图中的分层仿射结构将计算折叠为精确的两趟分块流式调度,彻底杜绝 \(N \times N\) 显存中间量并在理论上达到大缓存 I/O 下界。
- From Representational Complementarity to Dual Systems: Synergizing VLM and Vision-Only Backbones for End-to-End Driving
-
论文系统揭示了端到端自动驾驶中 VLM 与纯视觉编码器在决策层形成共享子空间但保留长尾互补特有因子的机制,并据此设计了基于轨迹评分选择的 HybridDriveVLA 与快慢协同的 DualDriveVLA 双系统架构。
- Generative Scenario Rollouts for End-to-End Autonomous Driving
-
提出即插即用的 VLA 自动驾驶框架 GeRo,通过在紧凑潜空间中进行语言引导的自回归场景外推,结合时序一致性损失与多目标 GRPO 强化学习反馈,显著提升端到端长时规划鲁棒性与语义对齐能力。
- Grounding Driving VLA via Inverse Kinematics
-
针对自动驾驶 VLA 模型易走自车状态与文本指令捷径而忽视视觉特征的“盲开”痛点,本文借鉴逆运动学需初末双重状态的视角,提出下一视觉状态预测监督与仅以首末视觉特征为瓶颈输入的条件扩散 IK 网络,以 0.5B 小模型在 NAVSIM 与 nuScenes 上媲美 7B–8B 大模型。
- Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving
-
IRR-Drive 提出了首个融合文本推理与离散语义 BEV 前向预测的端到端自动驾驶自适应多模态自省框架,通过场景复杂度自适应的 GSPO 强化学习,实现了物理接地的轨迹自我修正与计算开销的高效平衡,在 NAVSIM v1 和 v2 基准上刷新 SOTA。
- LaST-VLA: Thinking in Latent Spatio-Temporal Space for Vision-Language-Action in Autonomous Driving
-
本文提出 LaST-VLA 框架,将端到端自动驾驶推理从显式离散文本转向连续潜在时空空间,利用 3D 几何与世界模型表征实施监督对齐,结合两阶段渐进式微调与 GRPO 强化学习,在 NAVSIM 等规划基准上刷新 SOTA。
- Learning to Drive in New Cities Without Human Demonstrations
-
提出无需目标城市人类示范的地图自对弈多智能体强化学习迁移框架 NOMAD,利用目标城市车道级高精地图与粗粒度元信息生成交通场景,结合源城市行为克隆先验与 KL 正则化,大幅提升目标城市任务成功率与轨迹真实感并逼近专家表现。
- LiFi: LiDAR Generation from Multi-View Images via Geometric and Semantic Collaborative Guidance
-
针对车载多相机生成高保真激光雷达点云的跨模态对齐难题,LiFi 提出了几何与语义解耦的双分支潜空间扩散框架,通过以距离图像为中心的逆向深度采样、不确定度调制的几何编码、跨视角语义交互及平衡无分类器引导,实现了兼具精确几何结构与全局上下文一致性的三维激光雷达场景合成。
- LogSTOP: Temporal Scores over Prediction Sequences for Matching and Retrieval
-
针对传统时序逻辑模型检验复杂度指数爆炸且无法容忍感知噪声的难题,本文提出基于对数概率语义的 LogSTOP 算法,以 \(\mathcal{O}(T \cdot |\varphi|)\) 线性复杂度递归聚合局部神经网络预测分数,并结合长度自适应阈值与子序列滑动检索,在自动驾驶视频与语音时序匹配检索任务上大幅超越多模态大模型与符号检验基线。
LR-V2X: Loss-Resilient Collaborative Perception under Low-Bandwidth Communication
- MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving
-
MAPLE 提出了一种完全在视觉-语言-动作(VLA)模型潜空间中运行的端到端多智能体自回归推演框架,摆脱了高算力且低视觉保真度的外部传感器仿真器,通过结合行为多样性奖励的分层强化学习(GRPO),在 Bench2Drive 闭环评测上取得了超越 SOTA 的驾驶表现与卓越的交互鲁棒性。
- Markovian Dynamics Enforcer: Feasibility Preserving Correction on Learned Dynamics Manifolds
-
MaDE 从无控制标签的状态转移学习逆动力学和物理残差,再在控制空间校正预测轨迹,使输出严格服从其学习到的离散动力学映射,并尽力减少不等式违反;inD 上已知模型残差显著降低,但位置预测误差明显上升,不能据此宣称真实物理或安全性得到保证。
- MCSplat: Multi-View Photometric and Geometric Consistent Feed-Forward Gaussian Splatting for Driving Scenes
-
针对自动驾驶多相机前馈 3D 高斯泼溅中跨视角光度不一致与弱约束区域几何不稳定的双重挑战,MCSplat 提出基于深度对应的规范外观空间构建、多尺度双边网格 Transformer 外观恢复,以及 Fisher 信息引导的自适应表面几何自监督,在 Waymo 和 nuScenes 上显著提升了新视角合成与跨视角几何一致性。
- MESSENGER: Memory-Enhanced Sequential Scene Flow Estimation via Autoregressive Next-Frame ForecastinG
-
MESSENGER 在最粗分辨率阶段显式维护由历史位移流与隐状态构成的时序记忆池,通过自回归交叉注意力预测当前帧先验,并利用时序残差驱动的不确定性重加权过滤动态异常值与累积误差,在实现常数级显存占用的同时显著提升了长程未来运动外推精度。
- Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation
-
针对自监督激光雷达场景流中几何光线投射易受稀疏与遮挡干扰的问题,TrackCue 引入 2D 视频点追踪获取稠密图像轨迹,通过自车刚体运动补偿隔离真实物体运动并提升回三维空间,显著净化动静态伪标签并大幅提升下游场景流估计精度。
- nuReasoning: A Reasoning-Centric Dataset and Benchmark for Long-Tail Autonomous Driving
-
针对端到端自动驾驶在长尾场景中泛化能力弱的问题,本文提出了首个覆盖2万个长尾真实驾驶片段、包含空间-决策-反事实三维密集推理标注的数据集 nuReasoning 与规划评测基准,并证明推理监督能显著提升 VLA 模型的下游规划安全性。
- OmniTraffic: A Controllable Generation Pipeline and Benchmark for Spatio-Temporal Traffic Reasoning
-
OmniTraffic 将 12 个真实路口重建成可控 3D 仿真环境并结合真实路侧监控视频,构建了涵盖场景感知、多视点时空推理与决策支持三层认知体系的 800 万结构化 VQA 样本及 3K 专家检验基准,实验揭示了前沿多模态大模型在车道拓扑对齐与时序演化上的显著瓶颈。
- One Step is Enough: Multi-Agent Reinforcement Learning Based on One-Step Policy Optimization for Order Dispatch on Ride-Sharing Platforms
-
针对自动驾驶网约车订单派发中价值网络估计偏差大的难题,本文证明了同质车队在快速混合下的价值同质性,提出无需 Critic 的单轨迹 GRPO(ST-GRPO)与仅需即时群体归一化奖励的单步策略优化(OSPO),在曼哈顿与皇后区实测中以极低显存实现 SOTA 服务率与接驾效率。
- One World, Dual Timeline: Decoupled Spatio-Temporal Gaussian Scene Graph for 4D Cooperative Driving Reconstruction
-
针对车路协同自动驾驶(VICAD)中车载与路侧相机独立时钟导致的物理时序异步问题,提出 DUST 解耦时空高斯场景图,通过共享规范高斯原语并维持双路独立位姿时间线,彻底消除动态物体的梯度冲突与鬼影伪影。
- PointForward: Feedforward Driving Reconstruction through Point-Aligned Representations
-
针对前馈 3D 高斯泼溅驾驶重建中逐像素预测引发的多视角几何冲突与层叠重影、以及密集流场建模动态物体导致的撕裂碎片化问题,PointForward 提出在世界空间中初始化稀疏 3D 查询以构建全局点对齐表征,结合 3D 边界框场景图将动态实例规范化并实现实例级运动传播,并通过几何与时序融合实现跨视角高度一致的单次前向动态驾驶场景重建。
- Progressive Risk Estimation for Accident Anticipation
-
PRE-ACT 用距离事件的连续进度监督和同视频片段排序,改进仅看过去滑动窗口的交通风险预测,在 FPR 不超过 0.1 的设置下将 CAP 的 mAUC 从 TOP 的 0.429 提升到 0.481,并用 Separation Score 检查整段风险曲线的误报倾向。
- ReflectDrive-2: Reinforcement-Learning-Aligned Self-Editing for Discrete Diffusion Driving
-
ReflectDrive-2 提出了一种基于掩码离散扩散与全轨迹强化学习的自动驾驶规划器,通过目标点假设、并行离散轨迹生成与同质空间原地自编辑(AutoEdit),在全流程端到端奖励对齐下将编辑增益从 +0.3 放大至 +1.9 PDMS,以纯视觉输入在 NAVSIM 上达到 91.0 PDMS。
- RESBev: Making BEV Perception More Robust
-
RESBev 针对自动驾驶鸟瞰图(BEV)感知易受恶劣天气、传感器故障及对抗攻击干扰的脆弱性,提出了一种即插即用的语义先验预测与引导重构框架,通过潜在动态预测器结合自车运动预测干净 BEV 先验,并以交叉注意力选择性提取受扰观测中的有效信息,在不依赖额外传感器或昂贵扩散采样的前提下显著提升了现有 BEV 模型的全方位鲁棒性。
- Robust Residual Correction via Selective Deployment for Time Series Forecasting
-
针对事后残差修正中常开更新易放大噪声导致误差恶化的困境,提出结合方向感知表征、岭回归底线与非线性细化的混合修正器,并引入验证集校准的选择性部署规则,在多骨干网络与基准上显著降低预测误差并提升稳定性。
- RVLoss: Runoff Vote Loss for Self-Supervised LiDAR Scene Flow Estimation
-
针对自监督激光雷达场景流估计中最近邻搜索破坏刚体一致性的瓶颈,RVLoss 提出基于引导式空间投票的两阶段决选投票机制,由数据驱动生成聚类级刚体流与自由形变流伪标签,在无需复杂网络结构改造与繁琐正则项的前提下将前馈自监督场景流精度提升达 20%。
- Scaling Curriculum Learning For Autonomous Driving
-
本文提出首个适配高吞吐 GPU 批处理自博弈自动驾驶仿真的课程学习框架 CL4AD,将场景调度形式化为无监督环境设计(UED),并引入考虑无碰撞安全通行的 Learnability-Hard 以及基于真实轨迹偏差的现实度效用函数,在十亿步训练中提速 77% 并显著提升样本效率。
- Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing
-
针对端到端自动驾驶中视觉语言动作(VLA)模型车载推理计算开销巨大的瓶颈,提出 Scene-Adaptive VLA 框架,通过量化时序视觉变化与相邻帧决策偏差感知场景复杂度,结合轻量查询与两阶段优化动态调度模型激活层数与层组合,在 Bench2Drive 闭环测试中降低 53.5% 的计算开销且几乎无损驾驶性能。
- SOAR: Regression-based LiDAR Relocalization for UAVs
-
针对无人机在大偏航角旋转、高度剧烈变化及不规则飞行轨迹下现有车载LiDAR重定位算法失效的难题,SOAR提出了基于坐标无关点云序列化与保局部性滑动窗口注意力的场景坐标回归框架,摆脱显式地图存储并在真实无人机基准上实现米级定位精度。
- The Road Ahead in Autonomous Driving: The KITScenes Multimodal Dataset
-
KITScenes Multimodal 是一个面向欧洲复杂城市道路的高保真多模态自动驾驶数据集,配备 72.5 MP 全局快门环视相机阵列、探测距离超 400 米的密集激光雷达与 4D 成像毫米波雷达,首次在公开数据集中提供覆盖 62 平方公里、具备重投影精度与完整拓扑连接的生产级 Lanelet2 高精地图,并构建了涵盖在线拓扑建图、超长距深度、横向新视角合成与地图锚定端到端驾驶的严苛基准。
- TopoCurve: Geometry-Aware Topology Reasoning via Bézier Curves in Autonomous Driving
-
针对传统折线建模导致车道线几何不平滑、缺乏解析切线且拓扑监督稀疏的问题,TopoCurve 提出端点固定的三次贝塞尔曲线参数化表征,配合傅里叶几何偏置注入、曲线分布可变形注意力与多分支冗余监督,无需任何后处理在 OpenLane-V2 上建立新 SOTA。
- Towards Effective and Transferable Physical Camouflage against Multi-View BEV-based 3D Perception in Autonomous Driving
-
针对基于鸟瞰图(BEV)的多视角 3D 感知系统,提出对抗伪装框架 BEVCA,通过跨坐标系多视角神经渲染与目标位置掩膜引导的 BEV 特征抑制损失,生成可在物理世界和多种黑盒模型间高迁移的车辆对抗伪装纹理。
- UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation
-
UNIVERSE 提出了一个基于单一 Diffusion Transformer 的统一视动模型,通过在共享参数中联合训练未来视频潜变量与自车轨迹 Token,并利用模态解耦可见性掩码杜绝因果泄漏,在大幅提升闭环规划与跨域泛化能力的同时实现了 4.3 倍提速的纯轨迹独立推理。