以下这两款自动驾驶技术才是最被低估的，大厂看不上、小厂做不好，目前为了冲顶会只能不断堆算力，一口气狂发12篇论文，尽管如此落地也是没有明显的动静，可技术思路方面是真的出色，不想考虑端到端方案尝试它们也是一个不错的选择。
第一款CausalDrive，它和DriveVA、BeyondDrive是同类型世界模型，并且它也是纯因果框架，在当初研发投入是上百人月，随着同类别技术都在涌现，让这款方法的独特性荡然无存，也是只能跟风猛投，而且它的创新点和同类别方案还不一样。
一口气发了5篇自动驾驶论文，现在入门级版本算力优化过后已经能跑到实时，同类型方案没有一个是它的对手，并且在我看来这个方法比普通的预测模型更具有前瞻性，比单纯模仿学习又更具有解释性优势，是很值得深挖的。
方法层面的设计真的是环环相扣，尤其是因果推理结构再加上上下文强制DMD，让整个模型能够预测交互反应，输出的轨迹是比较可靠，安全边界的判断也是比较清晰，都进一步营造了这项技术的硬核形象。
参数量是达到了数十亿级，训练数据维度达到了几百TB，跑起推理能够轻松满足实时需求，无论你是做轨迹预测是做动作生成都没问题，实车测试还可以在里面随便换场景，范围那是真的大，模型的泛化能力也是非常好，连续跑5个小时测试都不会觉得有异常。
而且模型的安全配置在我看来已经大满配了，满足你行车过程中的可解释性是一点问题都没有，训练中还采用大量困难负样本合成，是零危险漏判，无论是对行人是对其他车辆都非常的友好。
推理速度还搭载了高效DMD，匹配8颗GPU，预测帧率能够达到50FPS，底层还有世界模型的加持，你完全想不到一个百亿参量的模型，在复杂场景里面行驶居然能够这么灵活。
换道避障也是非常的轻松，大角度转弯输出也不会有明显的失控，让你调试起来非常的轻松，虽然这项技术在落地方面还很远，可整体在能力方面确实很出色，对此你会跟进吗？
第二款MindDrive，这是一款VLA决策模型，在落地可行性方面也是很未知，目前也只能够通过刷论文来提升存在感，一口气是狂发了12篇录用，从之前边缘方向现在一路跌至顶会标配，尽管如此落地也是没有明显的突破。
可这款技术在思路上同样也是很出色，首先能将试错从连续轨迹上移到语言意图，让你做仿真测试非常合适，现在的开发人员为什么都喜欢用这种方案？就是因为可解释性强，就比方说高速上面的复杂场景，一条意图指令也才几个token。
如果家里面有仿真环境一条指令是不到0.1毫秒，让你再也没有黑盒焦虑，同时还能让你的调试成本更低，底层方面还有世界模型修正的加持，修正精度最高能够达到像素级，轨迹生成最快能够达到5毫秒，无论你在训练集是在测试集上面评估，它都能够给到你非常稳定的推理表现。
论文层面的设计依然是那么受欢迎，这不仅得益于因果推理的加持，同时还有困难负样本合成以及先生成再修正的结构，就算对比端到端或者纯规则方案，这项技术在安全性方面依然是占尽优势。
参数量是达到了十亿级，训练数据维度达到了几十TB，能力方面的表现也是非常的好，坐进仿真环境不仅泛化能力良好，还不会出现过拟合或者退化的情况，跑起复杂场景还能够轻松应对各类突发。
再加上模型内双生成专家结构、上下文统一损失、自动泊车负样本、车联网安全距离，以及奔驰没有的可解释性设计是能够满足你调试过程中的透明性，现在这项技术方面一路从三流会议冲至顶会标配，彻底杀红眼了，对此你会尝试吗？好了，本期分享就到这里，我们下期再见，拜拜
