车东西（公众号：chedongxi） 作者 ｜ Janson 编辑 ｜ 志豪
小米在计算机视觉领域国际顶级会议ECCV 2026上取得重大突破，小米型一次性斩获12篇论文录用资格。篇自破下
车东西7月3日消息，动驾代智据小米官方技术披露，驶论上顶双突小米AI实验室与小米自动驾驶团队的文冲多项研究成果被ECCV 2026接收。
▲小米12篇论文入选ECCV 2026
在入选的界模驾更12篇论文中，有5篇直接聚焦于自动驾驶核心领域，小米型分别为：CausalDrive、篇自破下MindDrive、动驾代智DriveVA、驶论上顶双突BeyondDrive和DriveFine。文冲
这五篇论文虽切入点各异——涵盖世界模型构建、界模驾更VLA（视觉-语言-动作）决策、小米型在线强化学习、篇自破下安全负样本挖掘及轨迹自修正机制——但其核心逻辑高度统一：旨在解决自动驾驶从“感知环境”向“理解世界”跨越的动驾代智关键难题。
真实驾驶场景并非简单的车道线识别或障碍物检测，而是复杂的动态博弈。系统需预判前车制动引发的连锁反应、旁车让行意图及行人横穿概率，并理解当前看似合理的专家轨迹为何可能在数秒后演变为危险决策。
上述五篇论文正是针对这些痛点提出的系统性解决方案，赋予模型预测未来、理解交互、优化决策及风险前置纠错的能力。
值得注意的是，ECCV与CVPR、ICCV并列为计算机视觉三大顶会。据小米技术披露，ECCV 2026共收到10,473篇有效投稿，最终录用2,883篇，录取率约为27.5%。小米以12篇论文的高产出，充分彰显了其在AI领域的深厚技术储备。
一、世界模型升级：从“看见道路”到“想象未来”
自动驾驶在复杂开放道路上的突破，不能仅依赖单帧图像中的静态要素（如车道线、车辆、行人、红绿灯）。
真实驾驶是一个连续的多方博弈过程：自车并线时，旁车是减速让行还是加速抢行？前车急刹，后车如何响应？当前可行的轨迹，几秒后是否会将车辆引入冲突区域？
这就要求自动驾驶模型具备更高层级的世界模型（World Model）能力。
世界模型的核心在于让模型在内部“预演未来”——不仅预测视觉场景的演变，更要理解当前动作对环境的影响，以及周围交通参与者对自车决策的反作用。
小米此次入选的CausalDrive和DriveVA两篇论文，分别代表了世界模型在“因果交互”与“规划一致性”两个关键维度的突破。
1. CausalDrive：从“视频生成”进化为“交通因果模拟”
传统的自动驾驶世界模型往往退化为视频生成器，输入当前画面与条件，输出未来几秒的场景视频。
然而，真实交通是动态交互系统，而非被动播放的视频。例如，自车并线时，周围车辆的反应取决于距离、速度及驾驶意图等多重因素。理解这些参与者之间的因果互动（Causal Interaction）至关重要。
▲CausalDrive架构
CausalDrive指出，现有基于布局条件的世界模型常依赖未来NPC（非玩家角色）轨迹，相当于“剧透”，并非真正的交互式模拟；而纯动作条件预测器则缺乏语义控制且推理延迟高。
为此，CausalDrive仅使用初始前视图像、自车轨迹及宏观文本提示，不输入未来NPC布局，迫使模型自主预测周围交通参与者的反应。
论文提出Context-Forced DMD（上下文强制DMD）架构，结合连续流匹配与自校正蒸馏技术，实现了12 FPS的交互式生成速度。
▲CausalDrive性能表现
这一突破将被动视频生成器转化为可交互的神经仿真器。模型不仅知晓“未来画面”，更理解“成因逻辑”。
这对自动驾驶意义重大：真实道路的长尾场景难以通过数据完全覆盖。若模型能构建可控、实时、可反事实推演的交通世界，将极大赋能闭环评测、强化学习训练及人机交互式仿真。
论文展示了其在生成式闭环评测、大规模RL后训练及人在回路仿真中的巨大潜力。
2. DriveVA：实现“视觉预测”与“轨迹规划”的一致性
若CausalDrive解决的是“交通世界的因果互动”，DriveVA则聚焦于另一个核心问题：模型想象的未来，是否与规划的轨迹一致？
现有方法常将视觉预测与轨迹规划解耦，导致模型可能“想象出一个未来”，却规划出与之不匹配的路线，造成视频与动作的松耦合。
DriveVA的创新在于，将未来视觉预测与车辆动作序列纳入同一个共享潜在生成过程（Shared Latent Generative Process）中进行联合生成。
基于大规模预训练视频生成模型，DriveVA继承其对时空动态、物理合理性及因果交互的先验建模能力，并利用DiT-based Decoder（基于DiT的解码器）同步预测未来视频与车辆动作序列。
这一设计解决了自动驾驶中视觉与动作的一致性难题。正如人类司机在观察周围运动的同时预测交通状态并调整路径，DriveVA让模型在同一套生成逻辑中完成视觉与动作的协同。
▲DriveVA性能表现
实验数据显示，DriveVA在NAVSIM挑战赛中取得90.9 PDM Score，并在零样本设置下展现出卓越的跨数据集、跨域泛化能力。
在nuScenes数据集上，相比现有世界模型规划器，DriveVA将平均L2误差和碰撞率分别降低78.9%和83.3%；在Bench2Drive/CARLA v2基准上，两项指标分别降低52.5%和52.4%。
二、VLA模型进阶：生成轨迹并理解“驾驶意图”
世界模型解决了“未来如何变化”，自动驾驶还需回答“面对未来该如何行动”。
传统端到端自动驾驶依赖模仿学习专家轨迹，虽能覆盖常见场景，但在长尾场景中缺乏主动试错与自我改进能力，且易因轨迹生成错误导致误差累积。
MindDrive和DriveFine两篇论文切入VLA（Vision-Language-Action）模型领域，旨在让模型从“看图输出轨迹”升级为“理解场景、形成意图、转化为行动”。
1. MindDrive：在真实交互中通过语言决策优化判断
自动驾驶可通过强化学习（RL）“边试边学”，但难点在于车辆动作处于连续的高维轨迹空间（速度、方向、加速度、位置点组合复杂），直接在轨迹空间试错效率极低。
MindDrive的创新在于，将试错空间从连续轨迹映射至语言决策空间。
模型首先判断“减速让行”、“保持车道”、“缓慢左转避让”等高层驾驶意图，再由动作专家将意图映射为具体轨迹。
▲MindDrive架构
MindDrive采用共享视觉-语言模型基座，通过两套LoRA（大模型参数高效微调技术）适配模块构建两个专家网络：
* 决策专家：负责场景推理与驾驶决策；
* 动作专家：负责将语言决策转化为可执行轨迹。
车辆执行后的轨迹奖励反馈至语言推理层，用于优化后续决策。
这一机制使模型从单纯模仿“专家怎么开”，进化为学习“为何这样开”。强化学习不再是在海量连续轨迹中盲目搜索，而是在离散、可解释的语言决策空间中高效试错。
▲MindDrive性能表现
结果显示，MindDrive基于轻量级Qwen-0.5B大语言模型，在Bench2Drive基准上取得Driving Score 78.04和Success Rate 55.09%。
2. DriveFine：规避路径规划中的风险累积
若MindDrive解决的是“如何学会更好判断”，DriveFine则解决“判断后能否自我修正”。
生成式自动驾驶规划存在现实风险：模型如写句子般逐步生成轨迹，若前期判断偏差，后续轨迹可能一路偏离。
DriveFine提出“先生成、再修正”的策略。
▲DriveFine路径决策对比
该论文提出一种掩码扩散式视觉-语言-动作模型，设计即插即用的块级混合专家结构：
* 生成专家：输出初始轨迹；
* 修正专家：对初始轨迹进行二次优化。
通过推理时显式选择专家、训练时隔离梯度，DriveFine解耦了“生成”与“修正”，既保留预训练模型能力，又注入自我优化机制。
论文还设计了混合强化学习策略，在鼓励修正专家探索的同时保持训练稳定，并在NAVSIM v1、NAVSIM v2及Navhard等基准上验证了其鲁棒性。
▲DriveFine性能表现
DriveFine赋予模型内部“反思”能力：先给出方案，再评估安全性、平顺性与合理性，最终在执行前完成修正，显著提升规划稳定性。
三、安全边界重构：让模型知晓“什么不能做”
世界模型预测未来，VLA模型决定行动，但自动驾驶还有一个底层问题：模型是否真正识别出那些“看似正确实则危险”的动作？
BeyondDrive论文正是针对这一痛点展开。
传统端到端模型依赖模仿学习，追求贴近专家轨迹。然而，空间接近不等于安全。两条几何距离相近的轨迹，可能因细微差异导致截然不同的结果：一条安全通过，另一条则引发碰撞。
论文指出，传统模仿学习默认“空间接近=行为安全”，造成目标错配——相似的模仿误差可能对应完全不同的安全后果。
▲BeyondDrive架构
BeyondDrive的核心工作是让模型学会识别“危险的相似答案”，相当于为自动驾驶建立一本“错题本”。
模型不仅学习正确轨迹，更学习那些“看似接近专家轨迹但存在安全风险”的困难负样本。
论文通过基于流匹配的负样本生成器，主动合成空间上接近专家轨迹、但安全语义上存在风险的负样本。随后，利用排斥距离损失（Repulsion Distance Loss），引导模型在靠近专家轨迹的同时远离危险负样本，从而在轨迹空间中建立更清晰的安全边界。
这一思路将训练从“只学正确答案”推进至“理解错误答案为何危险”，对长尾场景至关重要。
真实道路风险往往源于那些“差一点就对了”的动作，如跟车过近、路口偏向冲突区、避让行人余量不足等。这些轨迹在训练损失中可能不显著，却决定了系统的安全上限。
▲BeyondDrive性能表现
实验表明，BeyondDrive可迁移至不同端到端架构。应用于Latent TransFuser基线时，在NAVSIMv1闭环基准上达到89.7 PDMS；结合MeanFuser + BeyondDrive架构，得分提升至90.3 PDMS。
BeyondDrive重新定义了自动驾驶的学习目标：安全不仅靠接近专家轨迹，更需模型显式认知哪些选择虽看似合理，实则已越过安全边界。
结语：小米自动驾驶构建完整技术闭环
纵观这五篇论文，小米自动驾驶研究的重心在于搭建一条完整的技术链路：
- 世界模型预演未来，理解因果交互；
- VLA模型形成决策，将意图转化为行动；
- 强化学习优化判断，提升决策效率；
- 安全负样本划清边界，规避潜在风险；
- 自我修正机制提升规划鲁棒性。
自动驾驶的下一步，不仅是让车“看得更清楚”，更是让车真正“理解”所处的交通世界——预判未来可能发生的场景，明确决策背后的逻辑，并提前规避那些看似合理却潜藏危险的选择。
