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30个 方向 学习 路线 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 国庆后高质量的工作不少，分享给大家。涉及VLA、世界模型、强化学习、场景重建3DGS、轨迹规划等方向！ DriveVLA-W0 世界模型增强自动驾驶VLA中的数据缩放定律 中国科学院自动化研究所等单位 提出了 DriveVLA-W0 训练范式，通过世界建模预测未来图像提供密集自监督信号，显著增强了 VLA 模型的泛化能力与数据扩展 性，在 NAVSIM v1/v2 基准上分别达到 93.0 PDMS 与 86.1 EPDMS，并将推理延迟降至基线 VLA 的 63.1%。 主要贡献： 算法框架： 论文标题：DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving 论文链接：https://arxiv.org/pdf/2510.12796 1. 识别并解决 VLA 模型的 "监督不足" 瓶颈 ：提出 DriveVLA-W0 训练范式，以未来图像预测为核心的世界建模（Worl ...

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30个 方向 学习 路线 背景介绍 自动驾驶规划 的核心挑战之一在于：如何在多车密集、行为多样的交通场景中，实现安全、可靠、类人的决策。传统基于规则的规划方法依赖人工定义的行为准 则，虽然可解释性强，但在动态、复杂的交通博弈中缺乏泛化能力；而基于学习的规划方法试图直接从海量驾驶数据中学习策略，提升模型的适应性与可扩展性。 然而，当前学习型规划方法仍面临两大核心挑战： 本文希望解决的核心问题是： 能否在不引入额外先验知识的情况下，通过模型自身的学习能力，从有限的数据中提升博弈能力？ 自动驾驶决策任务通常被建模为 一个轨迹生成任务，因此，要想生成高质量的轨迹，需要 更加灵活的轨迹建模策略 。同时，博弈场景涉及自车与周围环境的复杂时空交互关系。例如，当车辆需 要在密集车流中变道时，模型必须同时关注当前车道及目标车道中前后方车辆的行为。这要求模型具备高效且自适应的特征整合与处理能力，能够快速识别并聚焦 关键交通参与者的动作与意图。最后，为了能够在与周围交通参与者的博弈过程中作出准确的反应，模型在 轨迹生成阶段 需要充分考虑周围交通参与者的行为 ...