Tag · 12 篇
端到端规划
空间检索增强的自动驾驶
Spatial Retrieval Augmented Autonomous Driving
把离线检索的地理图像作为额外输入模态，与车载传感器特征对齐融合，为遮挡、暗光、雨雾等感知退化场景提供先验；做自动驾驶感知/规划的研究者可以把它当作即插即用的额外输入分支，或直接使用其扩展的 nuScenes 基准来评测跨模态融合。
SpaceDrive：将空间感知注入基于视觉语言模型的自动驾驶
SpaceDrive: Infusing Spatial Awareness into VLM-based Autonomous Driving
把 3D 坐标（多视角深度、历史自车状态、文本提示）统一编码为位置编码，既叠加到 2D 视觉 token 上，又替代数字 token 作为 VLM 的输入输出，使 VLM 能直接回归连续轨迹坐标；这一「空间位置编码替代数字 token」的思路可迁移到任何需要 VLM 做几何量输出的视觉任务。
面向端到端自动驾驶系统的缩放感知数据选择
Scaling-Aware Data Selection for End-to-End Autonomous Driving Systems
为端到端自动驾驶规划器提供了一套按域拟合神经缩放定律、再迭代优化数据配比的数据选择流程，可直接迁移到视觉模型训练集构建与指标驱动的数据采集决策中。
SafeDrive：稀疏世界中的端到端驾驶细粒度安全推理
SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World
提出轨迹条件化的稀疏世界模型，通过模拟关键动态智能体和道路实体的未来行为，为下游安全推理提供交互中心表示；这种显式、可解释的安全推理机制可迁移到其他需要预测交互风险的视觉决策任务中。
ResAD：面向端到端自动驾驶的归一化残差轨迹建模
ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving
把轨迹预测从直接回归改为「惯性参考 + 残差」的建模方式，并用逐点归一化重新加权损失，可直接迁移到任何需要长时程、非均匀误差敏感度的轨迹/位姿序列回归任务（如行人轨迹预测、视频中的运动预测）。
Percept-WAM：面向鲁棒端到端自动驾驶的感知增强世界感知-动作模型
Percept-WAM: Perception-Enhanced World-Awareness-Action Model for Robust End-to-End Autonomous Driving
把 2D 检测与 BEV 3D 检测统一编码为 World-PV/World-BEV token 并接入 VLM 自回归解码，为视觉研究者提供了一个可复用的「感知 token 化 + 网格条件预测」范式，可直接迁移到其他需要稠密空间输出的 VLM 任务。
MindDriver：面向自动驾驶的渐进式多模态推理
MindDriver: Introducing Progressive Multimodal Reasoning for Autonomous Driving
将VLM的思维链从纯文本扩展到语义理解→语义到物理空间想象→物理空间轨迹规划的多模态渐进推理，并用反馈引导的自动标注和渐进强化微调对齐推理过程，为端到端自动驾驶提供可复用的推理框架。
MeanFuser：基于MeanFlow的快速单步多模态轨迹生成与自适应重建用于端到端自动驾驶
MeanFuser: Fast One-Step Multi-Modal Trajectory Generation and Adaptive Reconstruction via MeanFlow for End-to-End Autonomous Driving
MeanFlow Identity 用平均速度场替代瞬时速度场，消除 ODE 求解误差并实现单步推理，这一思路可迁移到视觉生成任务（如扩散/流匹配加速）；GMN 提供连续轨迹表示，避免离散锚框词表，对需要多模态输出的规划问题有参考价值。
DrivePI：面向统一自动驾驶理解、感知、预测与规划的空间感知 4D 多模态大语言模型
DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning
DrivePI 将点云、多视角图像与语言指令统一到单个 MLLM 中，并行输出 3D 占用、占用流与规划动作，为视觉研究者提供了一个可复用的端到端 4D 空间理解与预测框架，尤其适合探索小参数量 MLLM 在自动驾驶感知-预测-规划联合建模中的潜力。
DriveLaW：在潜空间驾驶世界中统一规划与视频生成
DriveLaW: Unifying Planning and Video Generation in a Latent Driving World
把视频生成器的潜变量直接接入扩散规划器，让未来预测与轨迹规划共享同一表征，为自动驾驶端到端规划提供了一种「生成即规划」的可复用范式；其潜变量注入与三阶段渐进训练策略也可迁移到其他需要预测-决策耦合的视觉任务。
DriveCombo：自动驾驶中组合式交通规则推理的基准评测
DriveCombo: Benchmarking Compositional Traffic Rule Reasoning in Autonomous Driving
为视觉语言模型在自动驾驶中的规则理解提供了分层认知评测协议与 Rule2Scene 规则到场景的生成管线，可直接用于诊断 MLLM 在多规则冲突下的推理失效，并作为微调数据来源提升下游规划。
CausalVAD：通过因果干预去混淆的端到端自动驾驶
CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
提出稀疏因果干预模块（SCIS），可即插即用地嵌入端到端驾驶模型，通过原型字典对稀疏查询做后门调整，消除数据集偏差导致的因果混淆，提升规划安全性与鲁棒性。