文章核心观点 - 智能驾驶地图技术正从高精地图向轻量化、众包化方向演进，以满足不同场景下对地图要素、更新速度和成本的需求[6] - 端到端自动驾驶架构中，地图作为模型输入和规则策略的信息源，其形态和集成方式仍在探索中[7][9] - 行业发展趋势是结合标准地图与自建众包图层，在保证大部分场景通行能力的基础上，针对复杂路口等关键区域进行增强[5][6] 智驾地图种类及特点 - **座舱导航图**：基于高德AutoSDK，提供静态信息（导航轨迹link点、道路等级属性）和动态信息（前景/背景车道、导航action），采用TBT导航模式为人驾驶服务[1] - **智驾SD地图**：包含道路骨架信息，超越座舱导航的网状道路形点和属性，可识别路口类型（十字或T字），通过ADASIS v2协议或Map API两种方式播发[1][2] - **智驾SD Pro地图**：在SD地图基础上增加车道拓扑结构，明确车道间的连接关系（如车道1连接车道3和4），支持精准变道规划，高德在此领域重点发力[3] - **智驾轻地图**：采用视觉众包更新，先由激光采集车构建底图，保留部分车道线、停止线、斑马线等关键要素，地图要素大幅减少但更新周期显著加快[4] - **主机厂众包地图**：由OEM自建复杂场景（如路口）的地图图层，绑定在图商SD地图上作为补充，实现数据自主可控和快速响应智驾需求[5] 技术方案与行业趋势 - **地图播发协议**：ADASIS v2为国际标准协议但组帧复杂，Map API接口方式因无需处理丢帧问题而成为大势所趋[2] - **供应商格局**：腾讯地图在SD地图领域应用较多，百度LD在轻地图领域表现突出但面临全国更新挑战[3][5] - **适用性演变**：从座舱地图到众包地图，地图要素逐渐增加，但地图适用范围缩小且鲜度变差[6] - **技术路径选择**：端到端架构在大部分场景下仅需SD地图即可运行，但SD Pro或众包地图对提升驾驶体验至关重要[6]

业务拓展计划 - 公司计划在2024年向国内外招募10名业务合伙人 [2] - 合伙人将负责自动驾驶相关课程研发、论文辅导业务开发以及硬件研发 [2] 重点技术方向 - 公司重点关注大模型与多模态大模型、扩散模型、视觉语言动作模型、端到端自动驾驶等前沿技术方向 [3] - 其他关键方向包括具身交互、联合预测、同步定位与地图构建、3D目标检测、世界模型等 [3] - 技术应用领域涵盖闭环仿真3D高斯泼溅以及大模型部署与量化感知推理 [3] 人才招聘标准 - 合伙人岗位要求候选人毕业于QS世界大学排名前200以内的高校 [4] - 优先考虑拥有硕士及以上学历且在顶级学术会议发表过论文的资深人士 [4] 合伙人待遇与激励 - 提供自动驾驶领域的资源共享，包括求职、读博及出国留学推荐等机会 [5] - 合伙人将获得丰厚的现金激励 [5] - 提供创业项目合作与推荐机会 [5] 合作咨询方式 - 有意向者可通过添加微信进行进一步咨询 [6] - 咨询时需备注“机构/公司 + 自动驾驶合作咨询” [6]

公司技术路线与架构选择 - 公司选择了一条高算力、多传感器、全新架构（世界模型加强化学习）的技术组合，被内部形容为“变态”的困难路径[8][9] - 该技术路线旨在建立一套真正接近物理世界的能力栈，虽然意味着更重的训练和更长的周期，但被认为是通向未来的道路[9][10] - 公司是国内第一个提出世界模型概念的厂商，其核心是以视频为底座，建立高带宽的时空认知能力，而非在语言模型上做模态扩展[21][26][27] - 公司认为端到端是智能驾驶历史阶段的产物，是“填坑”行为，而公司的目标是超越端到端，探索世界模型和强化学习等更根本的AGI路径[16][60][66] - 公司在2022年3月实现基于英伟达OrinX芯片的全栈自研平台Banyan量产，并在2024年5月推送了世界模型NWM的OTA更新[42][100] 世界模型技术解析 - 世界模型被定义为包含两个层面：物理规律的内建（如重力、惯性）和时空操作能力（理解预测物体在三维空间加时间维度的运动）[23] - 世界模型与语言模型是并行关系，前者解决“认知时空和规律”，后者解决“认知语言和概念”，两者融合才能形成真正的AGI[25] - 世界模型的核心优势在于建立高带宽的时空认知，类比脑机接口，旨在用图像直接交互，摆脱低带宽语言描述的限制[26][27] - 与世界模型相比，VLA（视觉-语言-动作）本质仍是语言模型的模态扩展，其“根”在语言上，视觉是“外挂”的转换器[25][29][30] - 训练世界模型需要大量视频数据，来源主要包括游戏引擎生成的数据和真实世界的车载传感器数据[54] 数据策略与强化学习应用 - 公司建立了三层递进的数据系统：数据闭环系统（DLB）、伴生测试系统、风险评估控制系统（RAMS），形成了业界顶尖的数据处理能力[74][76][77] - 数据策略上，公司倾向于使用“脏”但量大的量产数据，而非干净但量小的专家数据，认为通过强化学习清洗数据能学到更复杂的真实世界情况[55][57][59] - 强化学习被赋予两个关键作用：能“洗数据”，将模型输出的好的分布往前排；能延长“上下文”，让模型学会处理长时序推理，摆脱“5秒记忆的金鱼”状态[60][75] - 公司认为行业至今没有完全接受强化学习的重要性，而公司已在内部实验并计划在年底新版本中推出基于强化学习的长时序能力[60][64] - 通过端到端AEB模型和伴生测试体系，公司将AEB的真实场景响应率从不到10%提升至70%-80%，并获保险公司数据验证事故损失下降25%[86][88] 工程体系与研发管理 - 公司研发组织采用“4×100米接力棒”模式，明确划分为预研、量产、平台复制、车型复制四个阶段，职责清晰以提升效率[95][97][105] - 公司拥有三代智驾平台量产经验（Aspen, Banyan, Cedar），且均为对应芯片（Mobileye EyeQ4, 英伟达OrinX, 自研神玑）的全球首个量产平台，工程能力被极致锻炼[100][101] - 在工程上，公司自建了CUDA之上的软件栈（cuDNN、框架层、工具层），为自研芯片对接和快速量产打下基础，此做法在行业中非常独特[103] - 平台策略上，高算力平台（4颗Orin）提供安全冗余、新功能先发和更早迭代的优势，再通过技术蒸馏迁移到低算力平台（如乐道的1颗Orin）[92][93] - 公司强调技术追求简单高效，认为复杂高效不可持续，目标是建立“又新又轻松”的架构，用更少资源达到更好效果，提升竞争力上限[113][115] 产品进展与未来目标 - 公司在2025年5月于地库场景首发了语言交互找出口功能，为国内首个量产的此类功能，并计划在年底到明年Q1逐步推出开放集指令交互（Open-set）[39][40] - 公司将主动安全（如AEB）置于最高优先级，目标是切实减少事故，最新目标是力争在年内将事故损失降低50%[86][118] - 公司认为当前技术体系可以通往L3、L4，明年智驾竞争将更明显地向L3/L4迈进，技术端的关键是搞定世界模型的长时序能力[108][109] - 公司智驾研发的终极目标并非单纯实现L3功能，而是让系统更像人，能处理人所处理的各类长短时序决策，核心价值在于解放精力和减少事故[107][117] - 公司通过统一架构处理高速和城区场景，虽然初期开发量大、节奏显慢，但避免了方案割裂，旨在获得更干净、更具扩展性的长远优势[51][84]

核心技术：高保真3D空间占用算法概述与优势 - 该算法仅利用视觉和AI技术，通过2D图像数据高精度重建车辆或机器人周围3D空间结构，感知精度达10厘米[5][11] - 核心算法包括占用网格算法，用于预测周围空间体素的占有率属性[5] - 算法支持高保真环境渲染，并利用符号距离函数实现更精细的形状细化和空间感知[7] - 关键创新在于仅依赖摄像头2D视觉，无需深度摄像头、激光雷达等专用深度传感技术即可运行[11] 技术实现：算法解析 - 基础流程为经典占用算法，从多摄像头图像输入中生成可查询的3D占有率输出[12] - 处理流程包括图像特征提取、空间注意力与3D转换、时间对齐融合、反卷积与体积输出等步骤[12] - 生成的可查询数据集允许下游模块通过坐标值检索特定体素占有率状态[13] - 表面属性分析方法可预测环境表面属性，生成网格表示并进行坐标校准[15] - 体积输出内容包括体素二进制占有率、占有率流数据和3D语义数据，默认体素尺寸为33厘米，可动态调整至10厘米[16] 符号距离函数技术 - 引入符号距离函数技术提高对周围物体形状和距离的感知精度，对辅助泊车等精细操作至关重要[18] - SDF值指示被占据体素与最近物体表面之间的距离，比传统占用算法更精准预测碰撞距离[18] - AI模型通过包含摄像头图像和地面真值深度图的大型数据集进行端到端训练，学习推断符号距离值[20] - 基于SDF的渲染比传统点云或二进制体素占有率渲染细节更丰富，视觉更连贯平滑[21] 应用场景：辅助泊车 - 高保真占用网络可用于停车场等近场辅助泊车应用，实现先进泊车功能[23][24] - 泊车流程包括确定泊车资格区域、空间重建与SDF预测、识别泊车位、评分选择及用户交互导航[24][25] - 泊车位识别不仅基于空间占据情况，还综合考量地面油漆线、交通标志和路缘颜色等因素[24] - 系统为识别出的泊车位生成适用性评分，基于距离和路径属性等因素进行选择[25] 应用扩展：机器人领域 - 相同方法适用于自主机器人在室内环境中的导航和定位[29] - 机器人可利用摄像头捕获环境图像，通过AI模型预测体素占有率和SDF，区分障碍物和可导航区域[29] - 模型可识别指定对接区域或充电站，评估距离和空间限制，实现自主移动和精确对接[29]

Waymo自动驾驶技术框架 - 公司开发名为Waymo基础模型的大规模AI模型，该模型支持车辆感知环境、预测其他车辆行为、模拟场景并做出驾驶决策[5] - 模型功能类似于ChatGPT等大型语言模型，基于海量数据集训练学习模式并进行预测，能够整合多源传感器数据理解周围环境[5] - 车端部署较小模型，通过知识蒸馏技术从云端大型教师模型提炼而来，针对速度和效率优化，在每辆车上实时运行[5] - 感知和行为任务包括物体感知、行为预测和行动规划均可实时在车上执行[7] - 云端大模型可模拟真实驾驶环境，在部署前进行虚拟测试和验证决策[7] 世界模型技术特性 - 世界模型能够编码所有传感器数据（摄像头、雷达、激光雷达）并内置世界知识，解码所有驾驶相关任务[11] - 通过蒸馏缩小后放置在车端进行感知和控制，在云端进行虚拟仿真，实现强大泛化能力和快速适应不同平台[11] - 该模型基本解决自动驾驶日常问题，重点转向解决长尾问题[11] 长尾问题解决方案 天气挑战 - 雨后路况水坑及不常发生洪水需要算法判断水深和大量上下文信息，对精确度和召回率要求极高[12] - 采用视觉语言模型解法，但需要大量此类语料库支持[12] - 雪地驾驶对硬件要求高，传感器需加热和清洁功能应对堵塞，挑战包括行驶路线决策、车辙识别和摩擦力估计[14] 能见度与遮挡处理 - 极端低能见度情况下如夜间高速公路，需要多模态传感器协同检测[15] - 凤凰城沙尘暴环境中激光雷达可在尘暴中清晰看到行人[15] - 遮挡推理需解决视线不佳区域物体存在状态判断，挑战包括定义不明确、非确定性、缺乏真值基准等[18] - 解决方案包括估计不确定物体先验信息（通过驾驶数据统计和微弱传感器线索）以及准确估计自车速度先验[21] 复杂场景理解 - 施工场景需识别标志、推理驾驶几何形状，根据锥筒等物体调整路线[24] - 动态场景如交通警官手势需要实时响应动态信号[24] - 活跃事故现场涉及大量应急车辆和路况堵塞，需要整体场景理解而非单个物体识别[24] - 复杂场景需使用大语言模型理解场景内容并做出决策，公司表示仍在探索阶段[24] 自动驾驶核心要素 - 自动驾驶作为人工智能落地场景，核心要素为数据、算法、算力三大件[25] - 公司特别强调数据重要性，认为大量数据是基础，但数据筛选和整理更为关键[25] - 高效高质数据能确保模型专注于解决正确问题[25] - 数据挖矿中视频搜索能力对理解事件含义至关重要，如汽车碰撞、漂移等[30] 系统响应性能要求 - 快速实时决策被强调为安全性和流畅性关键，算法到执行链路用时越短越优[30] - 响应速度拆解为传感器输入响应、算法运算结论输出、底盘执行机构三个环节[30] - 当前快速响应决策主要受限于各家算法处理输出响应频率[31] - 摄像头帧率大于24Hz，算法输出帧率需达到10Hz或20Hz，底盘刹车ESP响应频率达上百Hz[36] 运营基础设施 - Depots运营停车场和改装工厂被公司视为L4运营最重要设施[33] - 车辆可自动进入停车场寻找充电空位，充完电拔枪后自动驶出运营[33] - 改装车间完成传感器安装后，车辆可自动驶出生产线，直接进入运输卡车或开始运营[33] 行业发展趋势 - 辅助驾驶与自动驾驶产业最终将交叉融合，因算法软件底层逻辑相同[4] - 中国辅助驾驶算法公司如Momenta、元戎、大疆与L4公司共同在欧洲和中东市场拓展[4] - 工程落地是行业较大壁垒，需要协同汽车开发与测试运营，优秀自动驾驶公司多挖角传统汽车工程师[34]

核心观点 - 某新势力公司因近期智驾系统OTA事故导致其智驾业务负责人（智驾一号位）离职，此次事件暴露了公司从算法研发到量产机制存在的问题 [5][6] - 该公司在智能驾驶领域的竞争地位已从几年前与华为并驾齐驱的领先状态，滑落至当前不领先也未掉队的中间状态，对其品牌和销量构成潜在威胁 [6] - 行业竞争格局加剧，新势力自研智驾团队面临来自华为等其他新势力以及Momenta等头部智驾公司的前后夹击，算法领先优势正在缩小或丧失 [7] 人事变动与内部管理 - 智驾一号位的离职由近期OTA事故催化，其在公司内部的势态此前已被空降的世界模型负责人超越，核心算法研发权限被绕过 [6] - 公司BOSS在处理此次事故时表现出果断态度，旨在通过换帅寻求改变，但新负责人也面临巨大压力 [6] - 此次人事变动是去年类似OTA事故后（当时处理结果是技术开发部负责人被撤职、测试部门改组）的又一次问责 [5] 智能驾驶行业竞争格局 - 智能驾驶算法领域的竞争主体已不再局限于华为和新势力，Momenta、元戎、地平线、卓驭、博世等头部智驾公司已实现优秀性能表现，与新势力自研能力齐头并进甚至更优 [7] - 新势力自研智驾目前处于前后夹击的处境，若在算法上落后于头部智驾公司，将面临灾难性后果 [7] - 智驾能力是该公司品牌核心和卖车的重要招牌，其领先地位的动摇对车辆销量有重大影响 [6]

自动驾驶VLA行业趋势 - 端到端技术之后，视觉语言动作模型成为学术界和工业界聚焦的核心方向，其提供类人思考能力并通过思维链形式展现车辆决策过程，以实现更可靠安全的自动驾驶能力[1] - 自动驾驶VLA目前可分为模块化VLA、一体化VLA和推理增强VLA三个子领域[1] - 传统BEV感知、车道线、Occupancy等方向相对成熟，行业关注度逐渐下降，自动驾驶VLA成为各家企业急需攻克的方案，主流自动驾驶企业及智驾方案供应商均在发力自研[4] 自动驾驶VLA技术核心 - 技术涉及视觉感知、大语言模型、Action建模、大模型部署及数据集制作等核心内容[6] - 最前沿算法包括思维链、混合专家模型、检索增强生成及强化学习等[6] - 模块化VLA强调多阶段流程，语言模型从被动场景描述演变为主动规划组件[16] - 一体化VLA直接连接动作解码器，实现感知到控制的端到端映射，通过单次前向传播将传感器输入映射为控制动作[16] - 推理增强VLA趋势由解释转向长思维链推理、记忆和交互，新增推理模块并同步输出控制信号和自然语言解释[17] 行业应用与课程设计 - 课程由清华大学教研团队联合开展，包含自动驾驶VLA三个子领域前沿算法细致讲解及两个实战加一个课程大作业[6] - 课程大纲涵盖VLA算法介绍、算法基础、VLM作为解释器、模块化与一体化VLA、推理增强VLA及大作业共六章[12][13][14][15][16][17][20] - 课程选取华科与小米提出的ReCogDrive及清华AIR与博世提出的Impromptu VLA等主流算法进行实战代码学习[16][19] - 课程进度安排自10月20日开始，预计两个半月结课，采用离线视频教学配合VIP群答疑及三次线上答疑模式[23]

文章核心观点 - 高质量科研论文对于计算机专业硕博研究生在就业和申博过程中至关重要，是证明科研或实战能力的关键指标[1] - 当前研究生在论文产出上面临导师放养、选题迷茫、框架混乱等普遍困境，导致论文发表困难[2] - 公司提供专业论文辅导服务，承诺通过系统化指导在较短时间内帮助学生完成高质量论文发表[3][4] 行业现状与需求 - 人工智能领域就业市场高度关注大模型、VLA、端到端、强化学习等前沿技术方向[1] - 企业在招聘时更看重第一作者论文的说服力，而非第二作者论文[1] - 研究生群体普遍存在科研指导缺失的问题，需要外部专业支持来完成学术要求[2][9] 公司服务内容 - 提供12周系统性论文辅导流程，涵盖从选题到投稿的全过程[4] - 服务内容包括确定研究方向、文献综述、实验设计、数据收集、论文撰写和选刊投稿等完整环节[4] - 针对不同基础学员提供个性化指导，即使是零基础学员也承诺6个月可完成小论文发表[16] 公司资源与优势 - 拥有300多名专职于自动驾驶/具身智能方向的导师团队[5] - 导师来自全球QS排名前100的高校，具备顶会/子刊/A会/B会等论文发表经验[5] - 近3年辅导学员超过400名，中稿率达到96%[5] - 提供名校推荐信和名企内推机会，包括清北/MIT等名校和阿里达摩院、华为诺亚方舟等企业[17] 服务模式与特色 - 采用1对1在线授课模式，通过腾讯会议进行实时互动[15] - 配备班主任全程督学，跟进学习进度，并提供课后答疑服务[13] - 建立精准匹配系统，根据学员研究方向从300多名导师中筛选3-5位最契合人选[16]

文章核心观点 - 同济大学与威斯康星大学麦迪逊分校提出Diffusion²模型 专为解决自动驾驶中“鬼探头”场景下的瞬时行人轨迹预测难题 [1] - 该模型采用两个串联的扩散模型 分别进行反向历史轨迹预测和正向未来轨迹预测 以捕捉轨迹间的因果依赖性 [2][7] - 通过引入双头参数化机制量化预测不确定性 并结合时间自适应噪声调度器动态调整噪声 在ETH/UCY和斯坦福无人机数据集上实现了最先进的预测性能 [5][7][45] 研究背景与问题定义 - 准确的行人轨迹预测对自动驾驶安全性至关重要 尤其在行人突然从盲区出现等瞬时观测场景中 [2] - 传统方法依赖足够长的观测期（如8帧约3.2秒） 但在现实场景中往往只能获得有限观测数据 导致预测性能显著下降 [2] - 在SDD数据集中 仅有瞬时观测的行人出现频率达2.22 s⁻¹ 在ETH/UCY数据集中为1.02 s⁻¹ 凸显了研究该问题的重要性 [2] - 研究目标为仅使用两帧观测数据作为输入 预测行人的未来轨迹及未观测到的历史轨迹 [8] 模型架构与技术创新 - Diffusion²由DDPMpast和DDPMfut两个顺序连接的扩散模型组成 分别负责反向预测历史轨迹和正向预测未来轨迹 [14] - 双头参数化机制通过两个输出头增强标准噪声预测网络 一个头预测噪声 另一个头估计每个坐标的对数方差以量化偶然不确定性 [4][17][18] - 时间自适应噪声调度器根据预测的历史轨迹不确定性水平 在前向扩散过程中动态调节噪声尺度 高不确定性时注入更多噪声以鼓励探索 [5][22][23] - 模型采用对编码器不敏感的设计 可无缝集成多种编码器 实验中采用了具有卓越表征能力的MOE编码器 [15] 实验性能与结果 - 在ETH/UCY数据集上 Diffusion²的平均ADE（平均位移误差）为0.19 FDE（最终位移误差）为0.33 优于所有对比方法 [45] - 在斯坦福无人机数据集上 ADE为8.26 FDE为14.87 同样达到最先进水平 [45] - 推理延迟方面 在NVIDIA RTX A800硬件上 DDPM版本为412毫秒 DDIM版本为75毫秒 优于部分对比方法 [47] - 消融实验证明 双头参数化机制和自适应噪声调度器的引入均能显著提升模型性能 [48] 技术局限性与未来方向 - 基于扩散的框架存在迭代采样过程 导致推理速度较慢 可能阻碍其在实时场景中的部署 [52] - 训练过程涉及优化多个扩散阶段 计算成本较高 [52] - 在交互密集的场景（如UNIV数据集）中 模型的适应能力有所下降 [54] - 未来工作将探索更高效的训练和推理方法 以降低计算资源开销 并提升在复杂交通场景中的鲁棒性 [53][54]

智能驾驶技术路线分析 - 智能驾驶真正的上限在于世界模型，即以视频为核心，通过跨模态预测和重建学习时空物理规律，再叠加语言层进行交互和知识注入[2] - 世界模型解决时空认知问题，而语言模型解决概念认知问题，语言模型因低带宽和稀疏性无法有效建模真实四维时空[2] - 视觉语言模型本质是语言模型的模态扩展，根基仍在语言模型上，像是在原有体系上不断"加模态"[3] - 世界模型旨在建立高带宽认知系统，直接在视频端建立能力而非先转成语言，类似人类眼睛带来的高带宽视觉体验[3] - 自动驾驶终极目标是通过开放集智能引擎实现真正开放式交互，用户可随意表达指令而非局限于有限指令集[3] - 华为本质上也在做世界模型，蔚来去年七月份前已提出此概念，VLA/WA等名称差异关键看是否真正建立时空认知能力[5] 语言模型在智能驾驶中的价值 - 语言模型能内建物理规律如重力、惯性和速度变化，形成模型内部基础认知[6] - 语言模型具备时空操作能力，可理解和预测物体在三维空间加时间维度的运动如车辆绕行[6] - 语言模型吸收海量互联网案例数据，尤其有代表性复杂场景对自动驾驶训练非常有帮助[7] - 通过链式推理语言模型带来逻辑推理能力，弥补世界模型尚未建立的细粒度推理[7] - 自然语言接口使人机交互更直接，用户可像与司机沟通一样告诉车具体行驶指令[7] - 语言模型提供概念认知，世界模型提供时空认知，两者结合将最终走向通用人工智能[8] 自动驾驶行业现状与社区资源 - 自动驾驶领域高度内卷，前沿技术栈趋于收敛，量产方案趋同，行业面临破局需求[9] - 行业变革期真正留在行业内的需综合型人才，技术栈丰富，仅抱"捞一波"心态难以长久[9] - 自动驾驶之心知识星球已运营三年，集视频图文学习路线问答求职为一体，目前超过4000人[11] - 社区联合学术界工业界大佬，梳理近40+技术路线，涵盖VLA benchmark、综述和入门路线[12] - 社区提供全栈方向学习课程，适合0基础小白，涵盖感知融合、多传感器标定、SLAM等高精地图等[18] - 社区与多家自动驾驶公司建立内推机制，可第一时间将简历送至心仪公司[18] - 社区汇总国内外知名高校实验室和自动驾驶公司，供读研申博博后参考[37][39] - 社区针对热点领域如端到端自动驾驶、3DGS与NeRF、世界模型、VLM等做了详细技术梳理[47][49][52][54]