作者：硅基工具人
时间：2026-04-16
摘要
FeaXDrive 这篇自动驾驶论文抓住了一个很关键但常被忽略的点：扩散式端到端规划越来越流行，但生成出来的轨迹并不天然符合物理与道路约束。研究者提出 feasibility-aware、trajectory-centric 的扩散规划方法，把“可行轨迹”而不是“噪声还原”作为统一建模对象，希望解决轨迹不平滑、违反运动学约束、偏离可行驶区域等问题。它的意义在于，端到端自动驾驶开始从“能生成”转向“能落地”。
事件背景
扩散模型在图像、视频和生成式 AI 里大放异彩后，也迅速渗透到自动驾驶规划。原因很简单：它很适合生成复杂分布下的多样化轨迹方案。但问题同样明显——生成得像，不等于开得动。轨迹一旦不满足曲率、速度、道路边界和车辆动力学约束，再先进的端到端系统也只能停留在实验室。
这也是自动驾驶行业近两年越来越重视“planner feasibility”的原因。真正上车的规划器，首先要能执行，其次才谈优雅。
核心信息拆解
FeaXDrive 的核心改变，是把 clean trajectory 当作扩散过程中的统一对象，而不是只围绕噪声做学习。这样做的好处是，物理约束和可行驶区域限制可以直接嵌入轨迹空间，而不是在生成后再补救。
论文还提到曲率约束训练与面向 drivable area 的引导机制，本质上是在训练阶段就把“能不能开”作为硬约束的一部分。相比很多先生成、后修复的方法，这种 trajectory-centric 的思路更贴近工程系统。
如果类似方法持续成熟，自动驾驶端到端路线就会少一层争议：它不再只是会从传感器生成漂亮轨迹，而是真正把轨迹级可执行性纳入学习目标。
行业影响
这项工作对自动驾驶、低速无人配送、矿区/园区无人车以及高级辅助驾驶都具有参考意义。因为这些系统的核心不是“理解得多聪明”，而是轨迹能否稳定、平顺、符合边界条件。可行性一旦做不好，任何高层智能都会在最后一公里失效。
更宏观地看，这表明端到端路线正在补齐最致命的工程短板：从感知到规划的一体化不应该以牺牲可验证性为代价。
市场 / 投资视角
对资本市场来说，这类进展会增强端到端自动驾驶路线的可信度。尤其是那些同时具备数据闭环、仿真训练和量产验证能力的厂商，更可能把算法突破转化为真实产品能力。
同时，上游仿真、验证和车载计算平台也会间接受益，因为“可行性约束”越被重视，训练与验证基础设施就越重要。
风险与分歧
自动驾驶最大的风险永远是现实复杂度。论文里的可行性提升，并不自动等于在极端天气、稀有场景和复杂交通博弈下同样稳定。另一个分歧是，扩散式规划虽然灵活，但计算成本和实时部署效率仍需要继续打磨。
因此，FeaXDrive 更像是端到端路线迈向工程可用的一次关键修正，而不是争论已经结束。
写在最后
自动驾驶行业这几年绕来绕去，最后还是回到最朴素的问题：你生成的轨迹，到底能不能让车稳稳地跑起来。FeaXDrive 值得关注，就因为它开始把“可行”重新放回规划系统的中心位置。
影响到哪些板块或个股：
A股：智能驾驶、车路协同、汽车电子、仿真验证板块；关注德赛西威、经纬恒润、中科创达、四维图新、均胜电子。
美股：自动驾驶、车载计算、ADAS 与仿真平台板块；关注 Tesla、Mobileye、NVIDIA、Qualcomm、Aurora Innovation。
资料来源：arXiv 论文《FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving》，2026-04-15。
