自动驾驶前沿技术周报(2026年第27周)

学术界

 工业界

2. 本周推荐论文详解

【学术型】Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation

- 类型：世界-行动模型 / 端到端规划

主要内容

Metis提出了一种解耦视频生成与动作预测的世界-行动模型（World-Action Model, WAM）框架。现有WAM方法存在两大瓶颈：(1)推理时需显式生成未来观测导致高延迟；(2)视频与动作建模紧耦合导致表示不匹配、泛化下降。Metis采用Mixture-of-Transformers架构，设置视频生成专家（Video Generation Expert）和动作预测专家（Action Expert），并通过非对称注意力掩码实现训练时联合优化、推理时动作专家直接绕过视频生成。

核心创新点

1. 解耦推理范式：训练时联合建模未来视频与动作，推理时仅需当前观测即可输出轨迹，消除高维视频生成的推理开销

2. 非对称注意力掩码：允许视频token关注动作token，但禁止反向关注，确保动作预测仅依赖当前上下文，同时保持训练-推理一致性

3. 跨任务泛化：在NAVSIM自动驾驶和CityWalker城市导航两个截然不同任务上均取得SOTA，并验证真实机器人零样本部署

推荐理由/落地价值

Metis在NAVSIM-v2 navtest上取得EPDMS 89.5（单摄像头设置），超越所有VLA和WAM基线；在CityWalker上L2误差降至0.71m（对比之前SOTA 1.11m）。更重要的是，Metis已在真实四足机器人上完成零样本部署验证。对于理想汽车而言，这是其VLA+世界模型双支柱战略的技术底座之一，直接支撑L4级物理AI基座的构建。

【学术型】Human-like autonomy emerges from self-play and a pinch of human data

- 类型：自博弈强化学习 / 自动驾驶

数据效率对比

主要内容

该论文提出"spiced self-play"方法：将少量人类驾驶数据作为行为锚点，通过KL散度正则化引导自博弈强化学习策略。核心发现：仅需30分钟人类驾驶数据（占Waymo Open Motion Dataset的0.04%），配合约60年合成自博弈经验（200亿步），即可训练出与人类轨迹高度协调的驾驶策略，at-fault碰撞率比全量模仿学习方法低2.5倍。

核心创新点

1. 数据效率突破：30分钟人类数据 vs. 传统模仿学习需52天全量数据，人类数据用量减少2500倍

2. 无奖励工程：仅使用稀疏的安全目标到达奖励（+1到达/-1碰撞），无需手动设计复杂奖励函数

3. 行为对齐：正则化策略不仅碰撞率更低，碰撞严重程度也显著下降（平均冲击速度从2.09m/s降至1.71m/s）

推荐理由/落地价值

这篇论文对自动驾驶行业具有范式级意义。它证明自博弈RL+极少人类数据的组合可以颠覆"海量数据驱动"的固有认知。对于数据获取成本极高、长尾场景覆盖不足的中国城市道路，这一路线可能大幅降低对大规模采集车队的依赖。训练仅需15小时单GPU，意味着中小团队也能快速迭代驾驶策略。

【工业落地型】小鹏CVPR 2026世界模型技术图谱：VLA+世界模型双支柱驱动L4级物理AI基座

- 类型：工业技术路线 / 物理AI基座

主要内容

小鹏在CVPR 2026上首次完整展示世界模型技术图谱，明确第二代VLA与世界模型并非竞争关系，而是共同构成物理AI基模底座。第二代VLA从人类驾驶行为中学习"如何行动"，世界模型通过对未来状态的预测学习"行动之后世界会如何变化"。技术成果包括：X-Mind（主动推理）、X-World（可控生成式世界模型）、X-Foresight（视觉-动作因果预测）、X-Cache（推理加速）。

核心创新点

1. 双支柱架构：VLA负责行动决策，世界模型负责状态演化预测，二者互补而非替代

2. 量产验证：第二代VLA已实现量产交付，首月用户辅助驾驶里程占比突破50%，车端推理速度提升12倍

3. 万卡级训练：单GPU训练效率一年提升1010%，GPU利用率从40%升至90%

推荐理由/落地价值

小鹏是唯一在CVPR 2026主会做演讲的中国车企（同台包括特斯拉Ashok Elluswamy、Waymo Dragomir Anguelov、英伟达Jan Kautz）。Robotaxi已量产下线，GX车型搭载4颗图灵芯片（3000TOPS），年内开展示范运营。这标志着中国车企在L4级物理AI基座上的工程落地进度已不逊于Waymo和特斯拉。刘先明表示"只有能做基座模型的公司，才有可能真的做到L4"，暗示行业将进入基础模型能力竞赛阶段。

3. 值得关注的研究方向

3.1 世界模型的"可执行化"瓶颈

2026年CVPR的核心趋势之一：世界模型从"能生成逼真视频"转向"能支撑可靠规划"。WorldLens的评测揭示了一个残酷现实——6大主流世界模型闭环导航成功率不足14%。Metis和IDOL的共同价值在于，它们不再满足于预测未来状态，而是建立了从"预测"到"行动"的显式桥梁。未来半年，世界模型的核心竞争力可能不再是生成质量（FID/LPIPS），而是动作遵循度（action adherence）和下游任务适配性。

3.2 数据效率的路线分化

行业正在出现两条数据策略的分歧：

- 海量数据派：特斯拉FSD依赖数十亿英里真实数据，华为乾崑积累10亿公里训练数据

- 高效学习派：spiced self-play证明30分钟人类数据即可，SimScale通过仿真数据扩展实现性能平滑提升

这两条路线并非互斥，但资源约束不同的团队需要做出选择。对于数据获取成本极高的中国复杂城市场景，"高效学习+大规模仿真"的组合可能更具可行性。

3.3 智驾商业化的"兜底"时代

2026年6月，华为和比亚迪先后推出智驾兜底权益，将保障范围从泊车扩展至城区NCA和高速NCA。这一变化的深层含义：

- 技术层面：厂商对智驾系统的安全性有足够信心才敢兜底

- 商业层面：智驾从"功能选装"转向"服务订阅+保险"的复合商业模式

- 法规层面：为L3级责任认定积累案例和数据基础

预计2026年下半年将有更多车企跟进兜底策略，智驾保险和责任认定框架可能加速成型。

4. 行业动态

4.1 特斯拉FSD最新进展

- v14.3.4推送（6月12日）：HW4.0专属OTA，距v14.3.3不到一个月。新增"到达目的地时地图显示停车选项"，Cybertruck首次获得一键智能召唤

- FSD入华（5月21日官宣）：产品更名为"特斯拉辅助驾驶"，严格定性为L2级。首批适配2024年9月后HW4.0国产Model 3/Y，城市功能预计Q3获监管批准后分批推送

- 九城招聘（5月19日）：在北京、上海、广州等九城急聘智驾测试人员，全力冲刺Q3 FSD在华商用

- 订阅制转型：北美已终止FSD一次性买断，统一99美元/月订阅

4.2 华为乾崑智驾

- ADS Max涨价（6月22日）：限时优惠6月30日截止，7月1日起终端到手价从1.2万涨至1.5万（涨幅25%）

- 智驾兜底权益（6月23日）：推出"ADS辅助驾驶无忧"，覆盖高速NCA、城区NCA及泊车场景，对使用智驾过程中发生意外事故造成的人身、财产损失提供保障。7月1日前购买老用户获赠1年，7-12月购买最高享3年

- 双地图服务：车机原生支持高德和百度双地图切换

- 竞品对比：涨价后ADS Max（1.5万）仍仅为特斯拉FSD（6.4万）的四分之一

4.3 小鹏汽车

- CVPR 2026演讲（6月5日）：第三次受邀，唯一演讲中国车企。首次披露世界模型技术图谱，明确VLA+世界模型双支柱路线

- Robotaxi量产：以小鹏GX为原型车的Robotaxi已量产下线，搭载第二代VLA，整车有效算力3000TOPS，年内开展示范运营

- 人形机器人IRON：量产版本预计年底量产，2027年Q1进入门店

- 万卡集群：单GPU训练效率一年提升1010%，GPU利用率从40%提升至90%

4.4 Waymo与行业格局

- 世界模型（6月3日）：CVPR 2026主题演讲中首次披露基于DeepMind Genie 3的三阶段训练框架（预训练→中期训练→后训练），将自动驾驶从软件工程问题转变为基础模型问题

- Robotaxi规模：车队突破3500辆，中国军团（百度、小马、文远等）全面追赶

- CVPR风向：自动驾驶研究权重继续向"通用驾驶智能"倾斜，经典检测/分割/跟踪占比收缩，具身AI、端到端驾驶、世界模型、生成式仿真比重持续抬升。

*本报告仅供技术交流参考，不构成投资建议。*