论文精读

DriveVLM 是首个系统性地把视觉语言模型用于自动驾驶场景理解与推理的工作。本文拆解它的动机、设计与双系统架构。

Physical Intelligence的π0模型用Flow Matching做动作头，在多机器人平台上实现通用操控。

UniAD首次将感知、预测、规划统一到端到端框架中，以规划为最终目标联合优化，获CVPR 2023最佳论文奖。

DriveVLA-W0 将 VLM 推理、世界模型预测与动作生成统一到端到端框架，代表了自动驾驶从感知驱动走向理解驱动的范式转变。

AlpaMayo-R1 将 GRPO 强化学习方法引入自动驾驶策略训练，通过奖励驱动的方式优化驾驶决策的安全性与效率，配合 AlpaSim 仿真与 AlpaAuditor 审计形成完整闭环。

NVIDIA Cosmos 3 通过 Mixture-of-Transformers 架构统一多模态，在 8 项物理 AI 基准上取得开放模型第一，以 OpenMDW-1.1 许可证开源，加速物理 AI 产业落地。

SparseDrive V2 通过全稀疏查询设计统一感知、预测与规划，在大幅降低计算量的同时保持顶尖性能，是端到端自动驾驶走向实时部署的重要一步。

DiffusionDrive 将扩散模型引入自动驾驶轨迹规划，通过多模态轨迹生成解决确定性规划的局限，是生成式端到端驾驶的代表作。

华科×小米EV提出ReCogDrive，将VLM认知推理与扩散规划器统一，通过DiffGRPO强化学习提升安全性，在NAVSIM和Bench2Drive上达到SOTA。