「三个技术主线」
2026年的进展比想象中要快。
本文从三个维度梳理2026年以来具有代表性的开源工作：认知与规划的融合、高效端到端架构的探索，以及世界模型的最新进展。
所有收录工作均经过 GitHub 仓库真实性核查，确保代码可用。
说明：本文主要以 GitHub 上已公开的项目为线索进行整理，筛选标准以代码可获取性和项目活跃度为主（具有一定Star数量），难免存在遗漏。未被提及的相关工作同样具有参考价值，读者可结合自身研究方向进一步查阅和补充。
随着大语言模型在常识推理上的持续进展，如何将语言模型的认知能力引入自动驾驶，以应对长尾场景，成为了2026年的重要研究方向。
图1 | ReCogDrive 框架概览。左侧为大规模训练数据构建流程，中间为模型架构（VLM + 扩散规划器），右侧为感知与规划可视化示例。©【深蓝 AI】编译
论文标题：ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving
发表机构：华中科技大学、小米汽车
GitHub：xiaomi-research/recogdrive（545+ Stars）
成果亮点：在端到端自动驾驶中，直接让视觉语言模型（VLM）输出物理动作往往会导致格式错误或动作不可行。由华中科技大学和小米汽车联合提出的 ReCogDrive 针对这一问题，提出了一种将驾驶理解与规划统一起来的强化认知框架。
该工作的核心思路是将VLM的认知能力与扩散规划器结合。首先，通过"生成-细化-质量控制"三阶段的层次化数据流水线，将人类驾驶认知注入VLM；随后，通过将VLM学习到的驾驶先验注入扩散规划器，高效生成连续且稳定的轨迹。为了进一步提升安全性，ReCogDrive还引入了扩散组相对策略优化（DiffGRPO）阶段，对规划器进行强化学习微调。在NAVSIM和Bench2Drive等基准测试上，ReCogDrive均取得了当前SOTA成绩。
图2 | DriveMoE 整体架构。左侧为场景特化的视觉MoE（根据驾驶场景动态选择摄像头），右侧为技能特化的动作MoE（根据驾驶行为激活不同专家）。©【深蓝 AI】编译
论文标题：DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving
发表机构：上海交通大学 Thinklab
GitHub：Thinklab-SJTU/DriveMoE（211+ Stars）
成果亮点：自动驾驶需要处理来自多个摄像头的视频数据，同时应对各种复杂的驾驶场景。上海交通大学Thinklab团队提出的 DriveMoE 将混合专家（MoE）架构引入了端到端驾驶，以具身AI领域的 π₀ VLA 模型为基础底座。
DriveMoE包含两个核心模块：其一是"场景特化的视觉MoE"，通过训练一个路由器，根据当前驾驶场景动态选择最相关的摄像头视角，避免对所有视觉信息进行冗余处理；其二是"技能特化的动作MoE"，通过另一个路由器为不同的驾驶行为激活专门的专家模块，通过显式的行为专业化，使模型能够处理多样化场景，缓解现有模型中常见的"模式平均"问题。在Bench2Drive闭环评测中，DriveMoE取得了SOTA性能。
在追求性能的同时，如何让端到端架构更加轻量、高效，也是研究者持续关注的方向。
3. DVGT-2：视觉-几何-动作（VGA）在线联合范式图3 | DVGT-2 方法示意。通过流式架构和历史特征缓存，实现了高效的在线联合重建与规划，支持不同相机配置下的直接部署。©【深蓝 AI】编译
论文标题：DVGT-2: Vision-Geometry-Action Model for Autonomous Driving at Scale
发表机构：清华大学等
GitHub：wzzheng/DVGT（305+ Stars）
成果亮点：传统的端到端模型大多基于稀疏感知，或转向以语言描述为辅助任务的VLA模型。DVGT-2 则提出了一种替代的视觉-几何-动作（VGA）范式，认为密集的3D几何结构是自动驾驶决策的重要依据。
由于现有的几何重建方法（如 DVGT-1）依赖于计算成本较高的多帧批处理，难以直接应用于在线规划。DVGT-2 引入了一种流式驾驶视觉几何Transformer，能够以在线方式处理输入，并联合输出当前帧的密集几何结构和轨迹规划。它采用时间因果注意力并缓存历史特征，以支持即时推理；同时通过滑动窗口流式策略，避免了重复计算。值得注意的是，同一个训练好的 DVGT-2 模型，无需微调即可直接应用于具有不同相机配置的闭环 NAVSIM 和开环 nuScenes 基准测试，在几何重建与规划性能上均取得了有竞争力的结果。
4. SparseDriveV2：基于评分的端到端规划图4 | SparseDriveV2 整体框架。通过将轨迹分解为路径和速度的因子化结构，构建超密集词表，并采用分层评分策略，以较低的计算代价实现具有竞争力的规划性能。©【深蓝 AI】编译
论文标题：SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving
发表机构：清华大学等
GitHub：swc-17/SparseDriveV2（179+ Stars）
成果亮点：端到端规划通常面临一个权衡：静态词表（Static Vocabulary）离散化粒度粗，而动态生成（Dynamic Generation）虽然精度高，但计算量大。SparseDriveV2 对此提出了一个具体的研究问题：当静态词表足够密集时，是否可以在不依赖动态生成的前提下达到相当的性能？
该工作首先通过对代表性评分方法 Hydra-MDP 进行系统性的缩放研究，发现性能随着轨迹锚点的增密而持续提升，且在计算约束到来之前并未出现饱和。受此启发，SparseDriveV2 提出了两项互补创新：一是将轨迹分解为几何路径和速度配置的因子化词表表示，实现对动作空间的组合覆盖；二是先对路径和速度进行粗粒度因子化评分，再对少量组合轨迹进行细粒度评分的可扩展评分策略。最终，仅使用轻量级 ResNet-34 骨干网络，SparseDriveV2 在 NAVSIM 上取得了 92.0 PDMS 和 90.1 EPDMS，在 Bench2Drive 上取得了 89.15 驾驶分和 70.00 成功率。
世界模型通过预测未来的环境变化，为自动驾驶系统提供前瞻性信息。2026年，世界模型在自动驾驶领域的应用更加务实，针对若干实际问题提出了具体的解决方案。
5. WorldEngine：面向物理AI的后训练框架图5 | WorldEngine 系统概览。从真实驾驶日志出发，发现长尾事件，重建为可交互的神经环境，生成多样化的对抗场景，最终通过强化学习后训练提升模型安全性。©【深蓝 AI】编译
论文标题：Towards the Era of Post-Training for Physical AI
发表机构：香港大学 OpenDriveLab、华为、NVIDIA Research 等
GitHub：OpenDriveLab/WorldEngine（338+ Stars）
成果亮点：自动驾驶行业长期面临一个数据分布问题：真正导致事故的危险边缘场景在真实数据中极其罕见，单纯增加数据量难以有效覆盖这些场景。WorldEngine 针对这一问题，提出了一套专为物理AI设计的"后训练"闭环框架。
该框架共分四个阶段：首先定位模型在真实世界中的失败场景；其次利用3D高斯溅射（3DGS）技术将这些场景重建为高保真神经环境；然后在这个可编辑的环境中生成更困难、更多样的对抗性交通变化；最后通过强化学习对模型进行后训练。在基于超过8万小时真实驾驶日志的工业级闭环仿真中，WorldEngine 使碰撞率下降了 45.5%，并在上海200公里的真实道路测试中实现了零接管。
图6 | ResWorld 框架。通过计算相邻帧的BEV特征残差，提取动态物体信息，预测未来场景，并通过FGTR模块进行轨迹细化。©【深蓝 AI】编译
论文标题：ResWorld: Temporal Residual World Model for End-to-End Autonomous Driving
发表机构：北京航空航天大学、中关村实验室
GitHub：mengtan00/ResWorld（52+ Stars）
成果亮点：传统的世界模型往往对整个场景（包括地面、建筑等静态背景）进行未来预测，这不仅带来额外的计算开销，还可能引入不必要的噪声。ResWorld 的核心思路是：只对"变化"进行建模。
它通过计算不同时间戳场景表示的"时序残差（Temporal Residuals）"，提取动态物体的信息，而无需依赖传统的检测和跟踪模块。ResWorld 以这些残差为输入，预测动态物体未来的空间分布，再结合当前的BEV（鸟瞰图）特征，得到未来场景表示。此外，它还提出了未来引导的轨迹细化（FGTR）模块，利用预测的未来路况来修正先验轨迹，有效缓解了世界模型的退化问题。在 nuScenes 和 NAVSIM 数据集上，ResWorld 均取得了当前最优的规划性能。
7. U4D：不确定性感知的4D LiDAR世界模型（CVPR 2026 Highlight）图7 | U4D 方法示意。左侧为不同类别的不确定性可视化（小行人、自行车等高不确定性目标），右侧为U4D与基线方法在体素级别的定量对比。©【深蓝 AI】编译
论文标题：U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences
发表机构：南京理工大学、南洋理工大学等
GitHub：worldbench/U4D（24+ Stars）
成果亮点：对于构建自动驾驶仿真环境，4D LiDAR序列（即带时间维度的3D点云）的生成具有重要意义。现有的生成框架通常对所有空间区域采用相同的处理方式，导致在语义复杂的区域（如行人密集区、路口）出现几何伪影，影响真实感和时间一致性。
U4D 提出了一种不确定性感知的4D LiDAR世界建模框架，核心设计是"由难到易"的生成策略。它首先利用预训练的分割模型估计空间不确定性地图，定位语义上具有挑战性的高熵区域；然后优先重建这些高不确定性区域以保证几何保真度；最后在学习到的结构先验下补全剩余区域。为了保证时间连贯性，U4D 还引入了时空混合（MoST）块，在扩散过程中自适应地融合空间和时间表示。实验表明，U4D 在几何保真度和时间一致性方面均优于现有基线方法。
ReCogDrive的认知-规划闭环、DriveMoE的多专家分工、SparseDriveV2的因子化规划、DVGT-2的在线几何重建——它们在架构思路上各有侧重，但共性很明确：
不再依赖单一端到端黑箱，而是尝试把可解释的认知、可验证的几何、可独立优化的模块重新引入系统。
世界模型的方向更务实了。
WorldEngine用3DGS重建真实失败场景做强化后训练，ResWorld只预测动态变化避免冗余，U4D针对LiDAR生成中的几何伪影做针对性优化。这些工作不再兜售“端到端万能”，而是老老实实解决具体问题。
以上代码已全部开源，链接附在文末，欢迎收藏转发。
参考资料：
[1] Li, Y., et al. ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving. arXiv:2506.08052. [[GitHub]](https://github.com/xiaomi-research/recogdrive )
[2] Yang, Z., et al. DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving. CVPR 2026. arXiv:2505.16278. [[GitHub]](https://github.com/Thinklab-SJTU/DriveMoE )
[3] Sun, W., et al. SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving. arXiv:2603.29163. [[GitHub]](https://github.com/swc-17/SparseDriveV2 )
[4] Zuo, S., et al. DVGT-2: Vision-Geometry-Action Model for Autonomous Driving at Scale. arXiv:2604.00813. [[GitHub]](https://github.com/wzzheng/DVGT )
[5] OpenDriveLab. Towards the Era of Post-Training for Physical AI (WorldEngine). 2026. [[GitHub]](https://github.com/OpenDriveLab/WorldEngine )
[6] Zhang, J., et al. ResWorld: Temporal Residual World Model for End-to-End Autonomous Driving. ICLR 2026. arXiv:2602.10884. [[GitHub]](https://github.com/mengtan00/ResWorld )
[7] Xu, X., et al. U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences. CVPR 2026 Highlight. arXiv:2512.02982. [[GitHub]](https://github.com/worldbench/U4D )
前时间账号迁移，很多老粉表示咋刷不到我们文章了，的确全靠运气。既有缘相遇此文，不妨把我们星标收藏，慢慢聊车、无人机、机器人、聊技术。
