文章核心观点 - 清华大学AIR研究院等机构提出全新自动驾驶决策算法框架Flow Planner，该框架基于Flow Matching生成式模型，在轨迹表征、模型架构和生成机制三方面进行协同改进，旨在解决复杂交通场景下的博弈行为建模挑战 [1] - Flow Planner在高密度车流多车博弈、行人突发横穿等激烈竞争场景下，能够动态感知周围意图变化并生成自然流畅的类人规划轨迹 [1] - 实验结果显示，Flow Planner在nuPlan闭环评测及新设立的interPlan高交互基准上均取得了学习型算法的SOTA性能，决策成功率和轨迹质量显著超越现有扩散模型规划方法 [1] 技术背景与挑战 - 自动驾驶规划的核心挑战在于多车密集、行为多样的交通场景中实现安全可靠且类人的决策，传统规则方法缺乏泛化能力，而学习型方法面临博弈行为建模不足和高质量博弈数据稀缺两大核心挑战 [3][6] - 当前学习型规划方法简单地增大模型参数量难以有效捕捉博弈关系，容易导致过拟合和呆板驾驶行为，而引入过多人工结构设计又会增大模型复杂度 [6] - 高密度强博弈场景在训练数据中呈显著长尾分布，模型难以通过模仿学习准确捕捉专家驾驶意图 [6] 关键技术创新：细粒度轨迹分段表示 - Flow Planner将轨迹划分为多个重叠片段并为每个片段建立局部token表示，改变了传统用整体token表示完整轨迹的方法 [8] - 该策略使模型能够保持运动学连续性、精确捕捉不同时间段交互模式、提升多模态驾驶行为的可表达性 [8][12] - 局部建模加全局拼接的策略兼顾表达力与平滑性，有效改善了规划轨迹的连贯性与多样性 [8] 关键技术创新：博弈增强时空融合机制 - 设计了基于尺度自适应注意力的特征融合模块，使模型能够在统一特征空间中同时处理车道、自车与周车轨迹信息 [9][13] - 模块能基于具体场景动态调整每个token的感受野大小，自动聚焦于关键交互对象 [9][13] - 通过独立的Adaptive LayerNorm与FFN模块优化异构信息融合，避免不同模态特征互相干扰 [13] 关键技术创新：周车增强轨迹生成 - 利用流匹配模型的无分类器引导生成策略，在推理时通过调整周车信息、道路信息等生成条件的权重来放大其对轨迹规划的影响 [10] - 该机制能引导模型生成超越数据的驾驶行为与策略，并帮助模型平衡保守与激进策略，在交互密集场景中生成更自然可控的驾驶行为 [10] 实验性能结果 - 在nuPlan的Val14基准上首次突破90分大关，得分90.43，不依赖任何规则先验或后处理模块 [11][14] - 在引入基于规则的后处理模块后，Flow Planner表现与最优混合式方法相当甚至更优，得分94.31 [11][14] - 在新设立的interPlan高交互基准上，整体性能提升8.9分，在高密度交通、行人横穿等极端交互情境下展现出卓越反应策略 [15] - 在部分分布外场景中展现出出色泛化能力，如对训练数据中未出现的“前车撞车”场景能准确判断并采取绕行策略 [15][20]

公司发展动态 - Waymo在自动驾驶技术推广方面一贯以审慎著称 [1] - 公司目前正在加速其发展步伐 [1] 行业竞争格局 - 自动驾驶市场预计将变得更加具有竞争力 [1]

公司上市计划 - 中国自动驾驶公司WeRide已聘请摩根士丹利和中金公司为其香港二次上市开展工作[1]

公司融资动态 - 英国自动驾驶技术公司Wayve正在与包括微软和软银在内的投资者进行融资谈判 [1] - 此次融资规模可能高达20亿美元 [1] - 若融资成功，该初创公司的估值可能达到约80亿美元 [1]

公司业务 - 公司专注于为长途卡车运输和货运物流开发自动驾驶系统 [3] - 核心产品为Aurora Driver平台 该平台集成了硬件、软件和机器学习技术以实现完全无人驾驶操作 [3] - 公司总部位于宾夕法尼亚州匹兹堡 业务包括设计、测试和部署其自动驾驶平台 [3] 分析师评级与目标价 - 摩根士丹利分析师Ravi Shanker于10月6日重申买入评级 目标价为12美元 [1] - Cantor Fitzgerald分析师Andres Sheppard于9月15日同样重申买入评级 目标价也为12美元 [1] - Canaccord Genuity分析师George Gianarikas于9月2日给予买入评级 目标价为15美元 较当前水平有191%的上涨空间 [2] - 公司股票是过去三年表现最佳的中盘科技股之一 [1]

公司核心动态 - Aeva Technologies Inc (NASDAQ: AEVA) 被分析师评为值得购买的最佳小型电动汽车股票之一 [1] - 公司于9月30日发布了用于自动驾驶研究的首个行业公开多传感器FMCW 4D激光雷达和摄像头数据集 [1] - 该数据集包含语义分割、跟踪、车道注释和物体速度测量等关键要素 [1] 技术产品细节 - 开放式数据集为研究人员提供高精度和高密度的距离传感数据 [2] - 公司的交互式传感器示意图为激光雷达和摄像头系统提供了宽视场和窄视场 [2] - 该数据被认为有潜力推动研究人员突破当前自动驾驶技术的边界 [2] 公司业务简介 - Aeva Technologies Inc 是一家设计和生产激光雷达传感系统及其他自动驾驶相关软件的技术公司 [3] - 公司产品应用于包括电动汽车在内的车辆 [3]

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]

涉及的行业和公司 * 公司为小马智行（Pony AI Inc）[1] * 行业为自动驾驶Robotaxi生态系统 涉及自动驾驶芯片供应商、服务提供商和网约车平台等[1][2] 核心观点和论据 **投资建议与目标价** * 维持对小马智行的买入评级 12个月目标价从27.7美元上调至31.3美元[1][7] * 目标价基于贴现EV/EBITDA估值法 采用16.6倍2031年预估EBITDA倍数（此前为15.0倍）[7][13] * 估值上调源于更高的盈利预测和更高的估值倍数[7] **Robotaxi生态系统与商业化进展** * Robotaxi生态系统正在扩张 更多供应链厂商进入市场 有助于加速车队规模扩张和优化总成本[1][2] * 小马智行与生态系统伙伴紧密合作 在中国多个城市扩大无人驾驶车队运营 并拓展至中东、新加坡等海外市场[1] * 公司拥有全栈式自动驾驶解决方案 整合了虚拟司机技术、驾驶平台和服务[1] * 具体合作案例包括地平线机器人将部分融资用于Robotaxi相关计划 网约车平台Hello推出预装Robotaxi车型HR1（目标2026年投产） 以及小马智行与ComfortDelGro等服务提供商合作[2] **财务预测修正** * 将2027-2032年营收预测上调1% 主要基于供应链扩张支持Robotaxi运营 导致单车GMV上升[3] * 将2028-2032年毛利率预测上调0.3个百分点 主要基于产品组合变化[3] * 将2025/2026/2027年净亏损预测修正至2.16亿/2.31亿/2.54亿美元（此前为1.97亿/1.97亿/2.39亿美元） 主要因Robotaxi研发支出增加[3] * 预计随着规模扩大 研发费用比率将改善[3] **运营与财务指标展望** * Robotaxi业务收入占比预计从2024年的10%显著提升至2029年的93% 并在2030-2032年维持在94%以上[8] * Robotaxi运营车辆数量预计从2024年的124辆大幅增长至2030年的52,750辆[8] * 营收同比增长率预计在2028年达到147%的峰值 随后逐步放缓[8] * 毛利率预计从2024年的15.2%持续改善至2032年的47.0%[8][12] * 公司预计在2029年实现扭亏为盈（营业利润7百万美元） 随后盈利快速增长 2032年营业利润达13.06亿美元[8][12] 其他重要内容 **下行风险** * 关键下行风险包括监管、供应链、Robotaxi市场增长、个人信息、基础设施、定价竞争和产品责任[14] **估值与市场数据** * 当前股价为24.06美元 较目标价有30.1%的上涨空间[16] * 公司市值84亿美元 企业价值81亿美元[16] * 小马智行的并购评级为3（低概率）[16] **业务模式演变** * Robotaxi业务模式预计从项目制解决方案 过渡到运营（Ponypilot） 再发展为软件解决方案（NRE + 授权费）[8] * 产品管线包括2025年推出的第七代Robotaxi和2028年推出的第八代Robotaxi[8]

社区核心定位 - 专注于最前沿的自动驾驶技术，打造技术社区 [5] - 社区覆盖近40多个学习路线，包括自动驾驶VLA、世界模型、闭环仿真、扩散模型、BEV感知等关键技术领域 [5] - 旨在保持技术活力，推动持续学习 [5] 技术交流与资源 - 提供与学术界和工业界顶尖专家面对面交流的机会 [5] - 讨论行业前沿议题，如VLA和WA的路线之争、未来自驾发展方向、世界模型本质及端到端技术探讨 [5] - 社区资源包括顶会作者亲临、直播互动以及Impromptu VLA、NavigScene、LangCoop、DriveBench、ZeroGS、Diffusion planner等具体项目交流 [5] 课程与培训体系 - 平台提供七门精品课程，内容涵盖世界模型、轨迹预测、大模型、相机标定、毫米波、点云3D检测、Transformer等核心主题 [5] - 课程体系面向初学者，注重核心能力的系统性培养 [5] - 提供平台课程八折优惠券及超级折扣卡，课程可享受七折优惠 [3]

业务运营与增长 - 公司旗下自动驾驶出行服务Apollo Go在2025年第二季度完成超过220万次全无人驾驶出行，同比增长148% [1] - 该服务通过与Uber和Lyft的战略合作，将在亚洲、中东和欧洲部署数千辆Apollo Go车辆，以轻资产模式加速国际市场扩张 [2] - 该业务在武汉实现单城市层面盈利，当地出租车费比中国一线城市低约30% [3] 技术与成本优势 - 该业务采用全球首款专为L4级自动驾驶设计的RT6车辆，拥有同级别最低的单车成本 [3] - 在香港扩展至复杂的右舵驾驶环境，展示了其技术能力 [3] - 低成本的RT6平台使公司在L4级自动驾驶部署中具备强大优势 [8] 财务表现与估值 - 公司2025年第三季度营收共识预期为43.4亿美元，同比下降9.33% [4] - 公司股价在年内上涨64.8%，表现优于行业（32.8%）和板块（24.1%） [6] - 公司未来12个月前瞻市盈率为17.31倍，低于行业平均的24.65倍 [10] 市场竞争格局 - 公司在自动驾驶领域面临特斯拉和Alphabet旗下Waymo的激烈竞争 [5] - 特斯拉通过空中升级持续扩展其全自动驾驶技术，Waymo则在美国提升其叫车服务覆盖范围和车队使用率 [5]