整体看，GB 44721 报批稿把 L3/L4 自动驾驶系统从算法能力推进到可审查、可追溯、可证明的安全体系。1. 核心定位相比 2024 版，把重点从“通用技术要求”转向“安全要求”，并新增了保障要求检验、安全档案检验等内容。适用范围：适用于装备 L3和/或 L4驾驶自动化系统 的 M 类、N 类车辆，不适用于自动泊车系统 APS。前置法规：要求 ADS 证明在 ODD/ODC 内安全，在边界外

作者 | Xinglong Sun, Kevin Xie, Jenny Schmalfuss, Despoina Paschalidou, Xiuming Zhang, Sanja Fidler, Kashyap Chitta, Jose M. Alvarez机构 | NVIDIA论文标题 | DriveJudge: Rethinking Autonomous Driving Evaluation

在自动驾驶领域，VLA模型凭借感知、推理、决策一体化的能力，成为端到端自动驾驶的主流技术方向。但主流大尺寸VLA模型依赖重型骨干网络与自回归推理逻辑，推理延迟居高不下，很难在车流密集、路况多变的城市道路实现实时响应。卡内基梅隆大学团队推出的RT-VLA，创新性采用多级知识蒸馏+双分支解耦方案，在保留原有驾驶性能与语言解释能力的前提下，大幅压缩推理耗时，为高性能VLA模型走向车载量产提供了可行路径。

最近一些智驾玩家发布大模型，尤其是世界模型时，有一项技术总是伴随着频繁出现，那就是强化学习，地平线6月29日发布的HSD V2.0，核心升级就是世界模型+端到端强化学习双技术底座；Momenta在4月北京车展上宣布R7强化学习世界模型量产首发；小马智行4月发布PonyWorld世界模型2.0，强调其核心变化在于AI具备了自我诊断与定向进化的能力；蔚来在2026年1月将世界模型+闭环强化学习架构全量

讨论自动驾驶安全时，一个容易被忽略的问题是：车辆并不一定要发生硬件故障，才会进入危险状态。摄像头正常、域控正常、制动系统正常，系统仍可能因为感知边界、场景覆盖不足、目标行为预测错误，做出不合适的驾驶决策。这就是自动驾驶功能安全比传统 ECU 功能安全更复杂的地方。传统功能安全主要处理“系统发生故障后如何避免不可接受风险”；自动驾驶还必须处理“系统按设计运行，但设计能力本身不足”的风险。一、功能安全

本篇论文识别了当前VLA方案的根本性两难问题，如下图1a）以VLM模型为主干，直出轨迹的VLA方案，有较强的推理场景理解和推理能力，但缺乏空间感知能力b）以VLM模型为主干，融合感知输入或直接注入agent、occ token的VLA方案，空间感知能力有提升，但由于表征干扰：空间token与语义token在共享权重解码器中被联合优化，两种特征在冲突中训练，最终削弱VLM原生推理能力。如图2：LLM

2026年过半，自动驾驶行业的技术路线愈演愈烈，从2025年端到端大模型全面上车，到2026年VLA（视觉-语言-动作模型）与世界模型两条路线的公开激化，技术路线选择成为了每家车企都必须面对的选择题。在英伟达GTC大会上，吉利汽车集团CTO李传海、Momenta CEO曹旭东等人公开对VLA提出质疑；华为车BU CEO靳玉志则直接称VLA是取巧方案，主张以‌世界行为模型‌替代；另一边，理想、小鹏、

摘要： 美国交通部（DOT）下属国家公路交通安全管理局（NHTSA）于6月25日启动联邦机动车安全标准（FMVSS）第五次修订。作为新版《自动驾驶框架》（AV Framework）的一部分，监管机构正着手移除一项“不合时宜”的规定：允许专为自动驾驶设计的车辆不再强制安装手动刹车踏板。为了配合“美国创新”战略，美国交通部（DOT）正在对针对人类驾驶员的传统监管体系进行大刀阔斧的改革。作为其全新《自动

Calibration 阶段执行 forward 时，Observer会统计张量分布，并据此计算量化所需的 scale 等参数。 不同 Observer 的统计方式和搜索策略不同，因此最终 Calibration 效果也可能存在差异。HistogramObserver 是 horizon_plugin_pytorch 量化工具中推荐的校准Observer（OE3.7.0 horizon-plugi

香港大学 Hongyang Li 在 CVPR 2025 WAD 上这篇报告，我觉得算是讲清楚了：《End-to-end Autonomous Driving: Past, Current and Onwards》。翻译过来就是《端到端自动驾驶技术的前世今生》。重点在于下图： 他把 UniAD 这一类工作放在端到端早期阶段，也就是 Modular E2E Planning；再往前，是面向 Driv

1. 问题描述智驾算法模型训练过程中，可能存在如下情况：使用Data1完成一阶段浮点模型model_stage1_float训练后，更换训练数据为Data2，固定model_stage1_float权重，用model_stage1_float模型浮点输出，训练二阶段模型model_stage2_float，最后拼到一起成 model_all_float 用于量化部署。在进行量化时，按需使用对应的D

在 J6 BPU 内部，TAE 硬件作为张量加速引擎，主要用于 Conv、ConvTranspose、MatMul、Linear 等 Gemm 类算子的计算加速。J6 不同计算平台 TAE 支持的输入、输出精度类型如下：..||TAE输入|TAE输出（模型中间层）|TAE输出（模型输出层）|.|---|---|---|---|.|**J6E/M**|双int8、int8+int16|int8、in

在自动驾驶的感知方案中，占据感知网络（Occupancy Network，简称OCC）近年来成为了行业热点。它不再像传统的检测方法那样，费力地去猜前方是一个行人还是一个消火栓，而是直接把三维空间划分成一个个微小的方块，通过判断这些方块是否被物体占据，来告诉车辆哪里可以开，哪里不能碰。这种从识别物体到感知空间的转变，虽极大地提升了系统对异形障碍物的避障能力，但在实际落地过程中，依然面临着诸多问题。几

# 模型剪枝..## 1. 引言..在神经网络轻量化方法中，模型剪枝是一条非常重要的技术路径。它的基本目标，是在尽可能保持模型主要表达能力的前提下，删除其中冗余的参数或结构，从而降低模型规模与计算开销。对于已经训练完成的网络来说，剪枝提供了一种直接面向模型冗余的压缩方式；对于轻量化研究来说，剪枝也提供了一个观察网络内部冗余分布的重要视角。..从模型角度看，剪枝所处理的核心问题是：深度网络在达到较高

# 经典轻量化网络盘点：MobileNet、ShuffleNet与GhostNet..## 1. 引言..在前面的几篇文章中，我们已经依次讨论了神经网络模型为什么需要轻量化、如何衡量一个模型是否轻量、标准卷积为什么会成为模型复杂度的重要来源，以及深度可分离卷积为什么能够成为轻量化卷积设计中的经典方法。沿着这条思路继续往下分析，一个非常自然的问题就是：当这些轻量化思想真正落到完整网络结构中时，会形成

J6P 上 ConvTranspose3d 编译落 CPU 的问题分析与等价改写优化实践1. 背景在模型适配 J6P 平台的过程中，我们遇到一个典型问题：模型中存在 ConvTranspose3d，ONNX 中该节点可以正常导出，但经过工具链转换和编译后，在编译图中出现了 hbtl_call_native_Conv 节点。由于 hbtl_ 开头的节点表示运行在 CPU 上，没有落到 BPU，因此该

大家好，我是橙子，套用某位老总的话“安全是最大的豪华”，在智能驾驶的算法的一个细分领域—路径规划算法，同样离不开安全，如何确保路径安全，那就需要准确的碰撞检测算法。算法很多种，各有优劣势，今天给大家用大白话讲清楚两个常用的，也是我实践中用到的算法，AABB碰撞检测算法和SAT碰撞检测算法。Part 1. AABB碰撞检测算法AABB是Axis-Aligned Bounding Box的缩写，中文名

2026年的进展比想象中要快。本文从三个维度梳理2026年以来具有代表性的开源工作：认知与规划的融合、高效端到端架构的探索，以及世界模型的最新进展。所有收录工作均经过 GitHub 仓库真实性核查，确保代码可用。说明：本文主要以 GitHub 上已公开的项目为线索进行整理，筛选标准以代码可获取性和项目活跃度为主（具有一定Star数量），难免存在遗漏。未被提及的相关工作同样具有参考价值，读者可结合自

.> 本文主要来源网络资料整理学习，如有错漏，欢迎评论交流...## 1. 引言..AI Agent 正在智能座舱中加速实现规模化量产。然而，车载环境对 AI 提出了极为苛刻的要求：资源受限的硬件、毫秒级实时响应、高安全可靠性，以及“千人千面”的个性化体验。..通用基座大模型虽然能力强大，但缺乏车载场景的领域知识，也无法记忆特定用户的习惯与偏好。传统的全参数微调面临两大困境：显存消耗巨大——BF1

随着自动驾驶、机器人、无人叉车、智慧交通、港口自动化、矿山无人运输和安防周界感知的发展，激光雷达正在越来越多地部署到真实环境中。过去，一个系统可能只安装一台激光雷达；现在，一个机器人可能装多台激光雷达，一辆无人车可能装多颗激光雷达，一个路口可能部署多套激光感知设备，一个园区可能同时运行多台无人车、巡检机器人和智能设备。这就带来一个问题：当多台激光雷达同时工作时，它们会不会互相干扰？答案是：会。尤其