自动驾驶前沿技术周报(26年第24周)

本周VLA-World（上交+华为）和小米OneVL两篇工作标志着行业从"VLA与世界模型独立运行"走向"潜空间统一融合"。传统VLA的文本级推理链存在效率瓶颈，潜空间推理将VLA的场景感知理解与世界模型的环境时序预测统一到高维向量化空间，推理效率显著跃升。小鹏第二代VLA也选择了砍掉语言转译层的纯视觉-动作路径，说明行业正在探索VLA的轻量化与原生化方向。

华为ADS 5的WA路径 vs 行业VLA路线分化: 

华为明确拒绝VLA路径，选择WA（世界模型-行为）直接控车路线。ADS 5的WEWA 2.0引入多智能体博弈和在线强化学习，训练效率提升10倍。这与小鹏、英伟达、卓驭等押注VLA的阵营形成鲜明对照。两条路线的量产效果将在2026年下半年成为关键观察窗口。

端到端自动驾驶的推理效率与车端部署:

二、本周推荐论文详解（3篇）

论文1：【学术型】VLA-World: Learning Vision-Language-Action World Models for Autonomous Driving

基本信息

·• 类型: 学术型

·• 发布日期: 2026-04-10

·• 作者: Guoqing Wang等

·• 机构: 上海交通大学、华为中央研究院

·• 发表: arXiv (预印本)

·• 文章地址: https://arxiv.org/abs/2604.09059

主要内容

本文提出VLA-World，一种将VLA世界模型能力深度内嵌到VLA架构中的统一框架。传统方案中世界模型与VLA相互独立，前者负责生成仿真视频，后者承担感知推理与决策输出。VLA-World采用单VLA主干网络，实现视觉生成与决策推理的特征共享，将轨迹预测、视觉生成整合为同一决策链路的连续环节。模型首先使用动作衍生的可行轨迹引导下一帧图像生成，捕获丰富的时空线索；然后对自生成的未来想象帧进行推理以细化预测轨迹。为支持该流程，作者构建了nuScenes-GR-20K生成推理数据集，并采用三阶段训练策略（预训练、监督微调、强化学习）。

核心创新点

1. 统一架构：首次将世界模型的视觉生成能力与VLA的推理决策能力共享同一主干网络，而非外部模块拼接

2. 因果推理链：先预测轨迹，再以轨迹为条件生成未来帧，形成"轨迹决定去哪里，画面呈现到那里看到什么"的因果依赖

3. 数据集与训练策略：构建nuScenes-GR-20K生成推理数据集，采用三阶段训练（预训练→SFT→RL）

推荐理由/落地价值

VLA-World代表了VLA与世界模型融合的新范式，从"模块化协作"走向"架构级深度融合"。华为在ADS 5中同样强调世界模型与驾驶行为的深度融合，该论文的架构思路与工业界技术方向高度一致。对车端部署而言，统一主干网络可减少模块间通信开销，降低端到端延迟。该方向将成为2026年高阶智驾架构演进的核心技术路线之一。

---

论文2：【学术型】FastDriveVLA: Efficient End-to-End Driving via Plug-and-Play Reconstruction-based Token Pruning

·• 类型: 学术型

·• 发布日期: 2025-12-30（AAAI 2026录用公布）

·• 作者: 小鹏汽车、北京大学

·• 机构: 小鹏汽车、北京大学计算机学院多媒体信息处理全国重点实验室

·• 发表: AAAI 2026 (录用率17.6%)

·• 文章地址: https://arxiv.org/pdf/2507.23318

主要内容

本文提出FastDriveVLA，一种专门为端到端自动驾驶VLA模型定制的高效视觉Token剪枝框架。VLA模型在处理视觉信息时将图像编码为海量视觉Token，导致车端计算负荷大、推理效率低。传统剪枝方法（基于注意力或相似度）在驾驶场景中存在明显局限。FastDriveVLA受人类驾驶员专注前景信息的启发，设计了ReconPruner剪枝器，通过MAE风格像素重建训练，引入对抗性前景-背景重建策略增强对前景Token的感知能力。推理阶段ReconPruner可直接嵌入VLA模型，实现即插即用。

核心创新点

1. 对抗性前景-背景重建策略：增强模型对前景视觉Token的感知能力，自动过滤无关信息，只关注核心驾驶信息

2. 即插即用设计：ReconPruner无需重新训练整个VLA模型，可直接嵌入现有架构

3. 效率显著提升：视觉Token从3249减至812时，FLOPs降低7.5倍，预填充时间减少3.7倍，解码时间减少1.3倍

推荐理由/落地价值

VLA大模型上车的核心瓶颈之一是推理效率。FastDriveVLA在nuScenes开环规划基准测试中取得SOTA性能，同时实现推理效率的大幅提升，直接回应了车端部署的关键痛点。小鹏汽车已在第二代VLA中实现量产落地，该论文的技术成果与产品化路径高度一致，是学术研究与工业落地紧密结合的典范。

---

论文3：【工业落地型】小米OneVL：VLA、世界模型与潜空间推理的统一框架

·• 类型: 工业落地型

·• 发布日期: 2026-05-13

·• 作者: 小米自动驾驶团队

·• 机构: 小米

·• 发表: 技术发布/全面开源

·• 文章地址: 小米官方技术发布（佐思汽研2026智能驾驶端到端大模型研究报告引用）

主要内容

小米OneVL是小米2026年5月13日正式发布并全面开源的自动驾驶模型，核心突破在于将VLA、世界模型和潜空间推理三大技术路线统一到同一框架中。区别于传统方案将推理过程拆解为可被人类阅读的自然语言、逐字生成推演逻辑，OneVL直接在高维向量化的潜空间内完成端到端逻辑运算。潜空间同时集成VLA的场景感知理解能力与世界模型的环境时序预测能力，全部推理运算在向量层级开展，而非文本层面。

核心创新点

1. 潜空间统一融合：将世界模型的预测能力嵌入VLA训练目标中，让模型同时学习预测动作和未来环境状态

2. 向量级推理：摒弃文本级推理链，直接在高维潜空间完成端到端逻辑运算，推理效率显著跃升

3. 全面开源：小米选择全面开源OneVL，推动行业技术共享与生态建设

推荐理由/落地价值

小米OneVL代表了自动驾驶大模型的"开源化"趋势，与DeepSeek在通用AI领域引发的效应类似。潜空间推理避免了VLA传统文本推理链的效率瓶颈，对车端低延迟部署具有直接价值。小米作为新入局者选择开源策略，有助于加速行业技术收敛，同时也将加剧智驾大模型的生态竞争。该模型为后续研究者和开发者提供了完整的VLA+世界模型融合实现参考。

---

参考文献：

• Wang G, et al. VLA-World: Learning Vision-Language-Action World Models for Autonomous Driving. arXiv:2604.09059, 2026.

• 小鹏汽车、北京大学. FastDriveVLA: Efficient End-to-End Driving via Plug-and-Play Reconstruction-based Token Pruning. AAAI 2026, 2026.

• 小米自动驾驶团队. OneVL: Unified VLA, World Model and Latent Space Reasoning for Autonomous Driving. 小米技术发布, 2026.

• Yang P, et al. WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving. arXiv:2512.19133, 2026 (AAAI 2026).

• Nullmax、浙江大学. DiffRefiner: Coarse to Fine Trajectory Planning via Diffusion Refinement with Semantic Interaction for End-to-End Autonomous Driving. arXiv:2511.17150, 2026 (AAAI 2026).