预研方面，我们看到了很多优秀的算法工作，其中不少自动驾驶之心都首发报道过。在这些已经公开的工作 中，有几位值得大家留意：R en Liu，Yao Yuhan，Sun Hao，Z hang frank， Jiang Anqing，Z hang Youjian 等 等。 整体上来看，博世在自驾以下几个方向投入较大： 此外还有一些闭环仿真方面的工作D GS（NeurIPS 2025）和视觉基础模型DINO-R1等。作为一家近140年的 老牌企业，博世的工程师文化非常浓厚。柱哥有幸和博世的几位技术专家交流过，更能切身感受到他们务实的 精神。相比去年，博世可谓成果颇丰，大方向上博世跟上了前沿的脚步并开始打造自己的特色。 本文精选了 博世汽车业务近期的优秀工作，为大家一窥其最新的研究图景。 PS. 推荐阅读 小米智驾正在迎头赶上 从地平线自动驾驶2025年的工作，我们看到了HSD的野心 2025年的理想还在不断突破，年度成果一览 作为国际Tier1巨头的博世，今年也被国内智驾的飞速发展卷到了。 根据最新的信息，博世汽车电子猛抓预研 和量产两条线。量产方面博世投入更多的资源落地一段式端到端，近期也招聘到不少技术专家加入。自 ...

核心观点 - 提出FlowDrive自动驾驶框架 在BEV空间中引入基于能量的流场表示 显式编码风险势场与车道吸引力场 实现安全可解释的轨迹规划[2][7] - 采用任务解耦设计 分离运动意图预测与轨迹生成过程 减少梯度冲突与特征干扰[6][9] - 在NAVSIM v2基准测试中EPDMS评分达86.3 超越现有SOTA方法0.3分 在安全性与规划质量方面表现最优[3][40] 技术架构创新 - 风险势场通过高斯函数建模障碍物排斥力 计算公式为$$U_{risk}(u,v)=\sum_{i}\eta\exp\Biggl{(}-\frac{\left\|(u,v)-(u_{i},v_{i})\right\|^{2}}{2\sigma^{2}}\Biggr{)}$$[20] - 车道吸引力场结合横向距离与纵向弧长 计算公式为$$U_{lane}(u,v)=\frac{1}{2}k_{lat}d(u,v)^{2}+k_{lon}(L-s(u,v))$$[20] - 流感知锚定轨迹优化模块通过Transformer动态调整初始轨迹 使其与能量极小值区域对齐[7][22] - 运动解耦生成规划器采用条件扩散框架 使用两组门控查询分离意图预测与轨迹去噪任务[28] 实验性能表现 - 使用ResNet-34骨干网络时EPDMS达84.9分 超越DiffusionDrive的84.2分和DriveSuprim的83.1分[40] - 采用V2-99骨干网络后EPDMS提升至86.3分 较最优基准方法提升0.3分[40] - 在DAC（97.4）、DDC（99.6）、TTC（97.9）等安全指标上显著领先[40] - 多模态设置下（图像+激光雷达）性能与TransFuser、DiffusionDrive相当或更优[41] 消融实验验证 - 移除流场学习模块导致EPDMS从86.3降至85.8[43][47] - 禁用自适应锚定优化使EPDMS下降0.4分[43][47] - 取消运动解耦设计导致性能降低0.2分[43][47] - 流场参数最优配置为$$k_{lat}=10.0$$, $$k_{lon}=1.0$$, $$\eta=1.0$$, $$\sigma=10.0$$[43] 行业技术背景 - 端到端自动驾驶成为主流范式 基于BEV的方法可分为回归式（如UniAD、VAD）与生成式（如GenAD、DiffusionPlanner）两类[10][11] - 流场表示在机器人领域早有应用 但此前未有效整合进端到端自动驾驶框架[12] - 多任务学习采用MoE、MMoE等门控机制 但现有方法存在特征纠缠问题[13]