自动驾驶技术｜2026年第12周（3月16日–3月22日）

> 本期汇集本周自动驾驶行业核心动态与最新学术进展，覆盖Robotaxi商业化、车企智驾、技术供应链及 arXiv 精选论文四大板块。数据来源时间范围：2026年3月16日至3月22日。

🚕 Robotaxi商业化

动态如祺出行引入百辆广汽埃安霸王龙，Robotaxi运营升至近600辆

3月19日，如祺出行宣布超百辆全新广汽埃安霸王龙Robotaxi（由小马智行交付）正式加入车队，平台Robotaxi总运营规模升至近600辆。如祺出行同日与小马智行在广州签署战略合作协议，双方将推动有人网约车与Robotaxi混合运营模式在广州规模化落地，打造国内首个"开放道路Robotaxi商业混合运营"标杆案例。

来源：搜狐汽车

🚗 车企智驾进展

动态英伟达GTC 2026：比亚迪、吉利、日产基于Hyperion推进L4量产

3月17日，英伟达在GTC 2026大会宣布NVIDIA DRIVE Hyperion平台获广泛采用，比亚迪、吉利、日产（搭载Wayve软件）及Bolt、Grab等出行服务商正基于该平台开发下一代L4级自动驾驶项目。英伟达同步发布了推理模型Alpamayo 1.5、统一安全架构Halos OS以及仿真工具NuRec，构建L4自动驾驶完整闭环底座。黄仁勋表示："自动驾驶汽车革命已至，ChatGPT时刻已来。"

来源：快科技 / 腾讯科技

动态小鹏第二代VLA智驾系统3月下旬开始推送

小鹏汽车官宣2026年OTA计划：第二代VLA（视觉-语言-行动）智驾系统将于3月下旬首先推送至P7 Ultra、G7 Ultra、X9 Ultra等旗舰车型，并于4月覆盖更多车型。二季度升级后，自动驾驶覆盖范围将从高速、城区主干道拓展至停车场、园区等无导航场景，实现从"公共道路"到"无规则内部道路"的跨越式进化。

来源：今日头条 / 快科技

动态小米新一代SU7上市，首发XLA智驾架构

3月19日，小米汽车新一代SU7正式上市，三款配置售价21.99万元起。新车首发小米蛟龙底盘与XLA（eXtended Language-Action）智驾架构，在原有端到端基础上引入语言模型理解能力，支持更复杂的驾驶场景决策。新一代SU7被业界视为小米智驾从"跟随"转向"自研突破"的重要节点。

来源：快科技

动态特斯拉FSD欧洲认证进入最后冲刺，国内落地预期升温

3月21日，特斯拉欧洲团队宣布FSD（监督版）在荷兰交通局的最终测试已完成，全部UN R-171认证文件已提交，审批通过节点由3月20日小幅顺延至4月10日，预计2026年夏天在欧盟全域铺开。与此同时，特斯拉官宣3月31日终止FSD免费转移计划，市场对FSD中国市场加速落地的预期随之升温。

来源：腾讯科技

🔧 技术与供应链

动态华为乾崑发布全球量产最高线束激光雷达——896线双光路图像级

3月4日，华为鸿蒙智行技术焕新发布会上，华为乾崑正式推出全球首款量产896线双光路图像级激光雷达，将车载感知从"3D点云时代"推向"3D成像时代"。其首创双光路架构（广角+长焦双焦段集成），较上一代192线产品感知精度大幅跃升，并支持面临的极端天气、逆光等复杂场景。问界M9和尊界S800两款旗舰车型率先搭载，同期发布的还有尚界Z7系列新车预告。

来源：今日头条 / 搜狐科技

动态英伟达推出Applied Intuition合作，加速L2+系统大规模部署

3月17日，自动驾驶软件公司Applied Intuition宣布与英伟达达成合作，成为基于英伟达硬件开发L2+高速公路驾驶系统OEM厂商的推荐软件供应商，旨在进一步压缩从研发到量产的周期。此举被业界解读为英伟达从"芯片供应商"向"全栈自动驾驶方案提供商"转型的重要一步。

来源：腾讯科技

📚 本周arXiv精选论文

论文DriveTok: 3D Driving Scene Tokenization for Unified Multi-View Reconstruction and Understanding

机构：清华大学（Dong Zhuo, Wenzhao Zheng等）｜提交日期：2026年3月19日

随着VLA（视觉-语言-行动）模型和世界模型在自动驾驶中的普及，如何对三维驾驶场景进行统一表征成为关键挑战。DriveTok提出一种3D驾驶场景Tokenization框架，将多视角图像重建与场景理解统一在同一Token空间，为端到端驾驶大模型提供更高效的输入表征。该方案有望显著降低VLA模型的训练复杂度并提升跨场景泛化能力。

arXiv: 2503.xxxxx（2026年3月提交）

论文VectorWorld: Efficient Streaming World Model via Diffusion Flow on Vector Graphs

机构：香港大学（Chaokang Jiang, Desen Zhou等）｜提交日期：2026年3月18日

现有生成式世界模型在闭环评估中存在三大痛点：无历史初始化导致与策略输入不匹配、多步采样延迟无法满足实时要求、长时推演累积误差。VectorWorld通过在向量图（Vector Graph）上应用Diffusion Flow，实现了高效的流式世界模型，在维持高真实感的同时大幅降低推理延迟，为自动驾驶闭环仿真提供了新范式。

arXiv: 2503.xxxxx（2026年3月提交）

论文DriveVLM-RL: Neuroscience-Inspired Reinforcement Learning with Vision-Language Models for Safe and Deployable Autonomous Driving

机构：普渡大学（Zilin Huang, Zihao Sheng等）｜提交日期：2026年3月18日

传统强化学习依赖手工设计奖励或稀疏碰撞信号，难以捕捉驾驶安全所需的丰富上下文理解。DriveVLM-RL融合视觉语言模型（VLM）与受神经科学启发的强化学习框架，让智能体在理解复杂场景语义的同时优化安全决策。实验表明，该方法在安全性与可部署性上均优于现有端到端方法。

arXiv: 2503.xxxxx（2026年3月提交）

论文CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention

机构：复旦大学（Jiacheng Tang, Zhiyuan Zhou等）｜提交日期：2026年3月19日

端到端驾驶模型学习的是统计相关性而非真正的因果关系，导致模型在复杂场景中利用数据集偏置走捷径，严重影响可靠性与安全性。CausalVAD通过因果干预（Causal Intervention）方法去除混淆因子，让端到端驾驶模型真正理解驾驶行为背后的因果机制，在多个基准测试上显著提升了性能和鲁棒性。

arXiv: 2503.xxxxx（2026年3月提交）

论文VLM-AutoDrive: Post-Training Vision-Language Models for Safety-Critical Autonomous Driving Events

机构：英伟达研究院（Mohammad Qazim Bhat等，含Tsung-Yi Lin、Ming-Yu Liu）｜提交日期：2026年3月18日

通用视觉语言大模型（VLM/MLLM）因缺乏驾驶领域与时序对齐而在安全关键场景下表现欠佳。VLM-AutoDrive提出模块化后训练框架，将预训练VLM适配到高保真度安全关键驾驶事件场景，在无需大规模重新训练的情况下显著提升了对紧急制动、非常规目标等极端场景的理解与响应能力。

arXiv: 2503.xxxxx（2026年3月提交）