车载：智能驾驶发展迅速，驱动2025年车载镜头、摄像模组市场快速增长。车载镜头方面， 公司 预计2024-2025年全球新车单车镜头搭载量将从3.5颗增至超4.3颗，预计2025年全球车载镜头总 需求量超过4亿颗；看好公司凭借自身高技术、高质量、高性价比和快速反应优势，实现全球市占 率进一步提升。 车载摄像模组方面， 公司起步较晚，当前市占率距离全球第一仍有较大差距和成 长空间；公司将从产品结构升级拓展（如像素提升、从环境感知拓展到智能座舱产品线等）、从国 内拓展到欧洲、日韩等国际市场、技术创新引领等持续拓展，目标3-5年成长为全球前三的车载视 觉方案提供商。此外公司 激光雷达、HUD、智能大灯 等亦在快速发展，目前激光雷达项目已有20 多个量产定点、项目总金额超15亿人民币；多款智能车灯产品实现量产交付；新增多个AR-HUD PGU模组项目定点。 手机：高端机型光学影像创新趋势持续，驱动公司产品结构持续改善升级。 全球经济温和复苏，公 司预计25年全球智能手机出货量增速同比微增0.2%至11.75亿部，中国市场同比+2.2%至2.84亿 部；小型化/轻薄化/高性能视频等需求将驱动手机摄像头模组采购金额同比+ ...

事件： 当地时间6月22日，特斯拉Robotaxi在美国得州首府奥斯汀市正式开启服务。6月23日，特斯拉日内 股价涨幅超10%。 # 车队情况：首批投放35辆、采用量产ModelY 首批Robotaxi的投放量为35辆，由量产Model Y提供服务， 仍配备方向盘和加速、制动踏板，每辆车在副驾驶配备一位安全员。没有方向盘、踏板和控制装置的Cybercab预计 将于2026年上市。 # 运营范围：限定奥斯汀特定区域 特斯拉Robotaxi服务运营时间设定为每日早上6点至午夜，服 务范围限定在奥斯汀中南部的特定地理围栏区域内，避开了城市中较为复杂的十字路口，以确保服务的安全性与稳 定性。 # 客户群体：目前仅面向小部分受邀客户 特斯目前只是向一小批特斯拉的用户和粉丝发出了测试邀请，只有 受到邀请的人才能下载特斯拉的Robotaxi应用。 # 服务费用：固定收取4.2美元 特斯拉Robotaxi服务将固定收取4.2 美元的统一费用。相比之下，在4.3-9.3公里的区间里，Waymo的费用为3.5美元/km。 # 未来规划：快速扩展至1000辆、26年底车队规模达百万辆 按照马斯克的计划，几个月内，Robotaxi车 ...

国内外车企智驾方案对比 20250622 摘要 多家车企加速 L3 级智能驾驶研发，特斯拉在北美已实现完全一体式端到 端方案，国内仍采用模块化方案。华为预计下半年推送一体式端到端方 案，采用多传感器融合路线，比特斯拉更复杂。 下一代视觉语言行动（VLA）模型成为发展重点，参数量预计在 100 亿 以内，旨在通过图像数据直接输出动作，并加入大语言模型解释复杂场 景，目前国内车企多处于研发阶段。 特斯拉采用纯视觉方案，依赖 8 个摄像头实现智能辅助驾驶。其他车企 如华为、Momenta 和小鹏采用多传感器融合路线，但长期震动可能导 致激光雷达精度下降，需要算法补偿。 理想汽车结合 VLA 与端到端模型，使用两片 ORVIS 芯片分别处理场景 理解与复杂情况反馈，但 VRM 模型推理速度较慢。小鹏汽车通过改进 阿里千问的大语言模型进行预训练和后训练。 多数车企放弃高清地图，转而采购精度介于高清地图和传统导航地图之 间的地图。特斯拉领先世界生成技术，模拟多视角镜头并主动标注语义 信息，用于后续训练。 各智驾企业具体技术方案有哪些特点？ 特斯拉目前领先，实现完全一体式纯视觉的自动驾驶，但国内采用模块化以适 应交通规则。 ...

点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 写在前面 自UniAD（CVPR 2023 Best Paper）问世以来，端到端已经成为当下量产的主流范式。而从去年下半年开始，尤 其是DeepSeek思维链流行以来，视觉-语言-动作（VLA）相关方法伴随着具身智能的爆火，相关论文已经横扫自 动驾驶前沿领域。同时各家主机厂也争先恐后尝试落地研发，理想、文远知行、小米、小鹏等等都在大力尝试量 产。 随着2025年即将过半，学术界和工业界也出现了很多优秀的工作。 所以哪些高质量工作现在应该格外关注？趋势在往什么方向发展？量产应用究竟如何？全都是值得每一位前沿从 业者思考~ 为此，自动驾驶之心采访了学术界和工业界第一线的大佬并做了VLA相关工作的汇总，文章按照发表时间排 序，其中不乏全球顶尖高校团队和工业界研究团队的工作。 并在文末做了一些对当下工作的观点整理，感兴趣 的小伙伴不要错过呦~ 标题：AutoVLA: A Vision-Language-Action Model for End-to-End Autonomous Driving with Adapt ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 一、研究背景与核心问题 长期记忆缺失 是当前具身智能体的关键瓶颈。尽管视觉语言模型（VLMs）在规划与控制任务中表现突 出，但其 处理跨时空的多模态观察数据 能力严重受限： 核心矛盾 ：具身智能需整合长期历史经验（如"找到昨天未整理的玩偶"），但缺乏针对性评估框架。 二、基准设计创新点 2.1 任务架构 作者丨 Karmesh Yadav等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 动态环境交互 记忆推理验证 输入限制 ：主流VLMs仅能处理数百张图像（远低于真实场景的千帧级输入） 评估缺陷 ：现有视频QA基准（如EgoSchema）依赖选择题形式，无法评估 物体操纵/导航 等需细粒 度推理的具身任务 记忆-动作脱节 ：传统方法孤立评估记忆召回与决策执行，忽视二者在具身环境中的耦合性 动态环境构建 ：脚本代理在Habitat模拟器中执行物体抓取-放置（Pick-and-Place），产生 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Zihe Ji等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 出发点与优化目标 在自主智能体领域，导航是一项基础且关键的能力，它需要融合空间推理、实时决策以及对动态环境的适 应能力。尽管人类能在复杂环境中轻松导航，但在人工系统中复现这一能力仍面临巨大挑战。传统导航方 法常将问题分解为感知、推理、规划和控制等模块化组件，虽依赖专业算法处理子任务，但存在泛化性 差、可扩展性不足以及实际部署困难等问题，因其严重依赖特定任务的工程设计和僵化的流程。 近年来，视觉语言模型（VLM）的发展为导航领域带来了新的可能，它通过在单一框架内整合感知与推 理，为解决传统方法的弊端提供了新思路。然而，VLM在具身导航中的应用仍受限于空间粒度和上下文推 理能力的不足。基于此，本研究提出了DyNaVLM，这是一种零样本、端到端的导航框架，其核心目标是让 VLM无需微调或接触导航特定数据，就能直接作为导航策略使 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨具身智能之心 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 最近很多同学询问π0、π0.5、A0都是啥？用在什么地方？能实现哪些功能？方法论有啥不同？前面 刚开始听到这些，也一头雾水，今天为大家梳理下。 π₀模型结构 原文：π0: A Vision-Language-Action Flow Model for General Robot Control π₀的核心架构基于 预训练视觉语言模型（VLM） 和 Flow Matching 技术，具体包含以下关键组件： VLM backbone 动作专家（Action Expert） 跨具身训练（Cross-Embodiment Training） 整合 7 种机器人、68 项任务、超 10,000 小时数据（含开源 OXE 数据集），通过权重调整处理不 同机器人的动作空间差异（如零填充低维动作向量）。 训练流程 基于 PaliGemma V ...

以下文章来源于AI生成未来 ，作者AI生成未来 AI生成未来 . 领先的AIGC和具身智能、大模型技术交流社区，关注LLM、CV、深度学习、生成式等AI领域前沿技术 编辑丨具身智能之心 点击下方 卡片 ，关注" 具身智能之心 "公众号 >> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有 你想要的。 论文链接： https://arxiv.org/pdf/2504.04158 项目主页： https://cvpr2025-jarvisir.github.io/ Github仓库： https://github.com/LYL1015/JarvisIR Huggingface Online Demo: https://huggingface.co/spaces/LYL1015/JarvisIR 背景与动机 在自动驾驶等现实应用场景中，视觉感知系统常常受到多种天气退化（如雨、雾、夜间、雪）的影响。 传统的单任务方法依赖特定先验知识，而 all-in-one 方法只能解决有限的退化组合同时又存在严重的 领域差异，难以应对复 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨具身智能之心 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 最近很多同学询问π0、π0.5、A0都是啥？用在什么地方？能实现哪些功能？方法论有啥不同？前面 刚开始听到这些，也一头雾水，今天为大家梳理下。 π₀模型结构 原文：π0: A Vision-Language-Action Flow Model for General Robot Control π₀的核心架构基于 预训练视觉语言模型（VLM） 和 Flow Matching 技术，具体包含以下关键组件： VLM backbone 动作专家（Action Expert） 跨具身训练（Cross-Embodiment Training） 整合 7 种机器人、68 项任务、超 10,000 小时数据（含开源 OXE 数据集），通过权重调整处理不 同机器人的动作空间差异（如零填充低维动作向量）。 训练流程 基于 PaliGemma V ...

Core Insights - The article discusses the development of the ViLaSR-7B model, which enhances spatial reasoning capabilities in large vision-language models (LVLMs) through a novel "Drawing to Reason in Space" paradigm, achieving significant improvements in various spatial reasoning tasks [1][17][33]. Group 1: Model Performance - ViLaSR-7B achieved an average improvement of 18.4% across five major spatial reasoning benchmarks, including maze navigation and video spatial reasoning [3][25]. - The model reached a 45.4% accuracy on the VSI-Bench, outperforming the Qwen2.5-VL-7B by 12.7% [26]. Group 2: Training Framework - The model employs a three-stage training framework: 1. Cold-start training establishes basic visual operation capabilities [22]. 2. Reflective rejection sampling enhances self-correction and reflection abilities [23]. 3. Reinforcement learning optimizes overall reasoning capabilities and drawing operation efficiency [24]. Group 3: Reasoning Paradigms - The article highlights a shift from the traditional "visual-to-text" reasoning paradigm to the "Thinking with Images" paradigm, which allows models to actively manipulate images during reasoning [10][15]. - This new paradigm addresses limitations in the traditional approach, such as loss of critical details and temporal information during the visual encoding process [11][16]. Group 4: Human-like Reasoning Strategies - ViLaSR-7B demonstrates human-like spatial reasoning strategies, such as reference-based measurement reasoning and systematic cross-frame object tracking [30][32]. - The model's ability to identify and utilize reference objects for accurate measurements reflects a mature reasoning process similar to human problem-solving [31].