IEEE IV 2025的会议议程公布的时候，我专门花了一个晚上把录用的论文列表从头到尾过了一遍，边看边感慨：这几年自动驾驶的研究热点，已经从"能不能识别出障碍物"全面转向"能不能在开放场景里安全、高效、可解释地做决策"。作为智能车圈子里每年都会关注的顶级会议，IEEE IV（IEEE Intelligent Vehicles Symposium）一直比较贴近工程落地，它不像纯CV顶会那样追模型刷点，也不像传统汽车工程会议那样偏机械，正好卡在"算法上车"的中间地带。
这篇文章我就想以这次会议为线索，聊聊我看到的自动驾驶研究热点，以及这些热点背后到底在解决什么问题。对正在做量产算法、做预研、或者准备进入这个领域的朋友，应该会有一些参考价值。
1. IEEE IV在智能车领域的位置：为什么大家盯的是这个会
1.1 这一届会议透出的整体气质
每次会议，其实都在反映一个行业的"当下焦虑"和"预期共识"。IEEE IV 2025给我最直观的感觉是：大家不再热衷于单独刷一个感知榜单指标，而是开始认真思考整个系统怎么协同、怎么闭环、怎么在真实世界中被验证。这跟几年前的氛围完全不同——那时候一篇论文只要把某个检测任务的mAP提高几个点，就能拿到很好的反馈，现在这种单点突破已经很难引起注意了。
从论文主题分布来看，今年呈现出明显的"系统倾向"。感知方向依然不少，但很多已经不是在讲"我用了什么新骨干网络"，而是在讲"我的感知模块如何为下游预测和规划服务"；预测规划方向的论文数量明显增加，而且特别强调多模态交互和闭环评测；车路协同、仿真验证、安全性分析这些曾经相对边缘的议题，今年也有了非常扎实的成体系工作。这种结构变化，本身就说明自动驾驶研究正在跨越"单点Demo"阶段，进入"系统化工程治理"阶段。
1.2 会议对产业风向的映射
我一般会同时对照几类信息来读会议：录用论文方向、厂商赞助的技术主题、以及工程Demo展示。这些信息综合起来，能看出产业界和学术界的关注点正在快速收敛。今年的共识我用一句话概括：量产压力下的自动驾驶，真正稀缺的不是某个更强的模型，而是"可信的决策能力"和"可持续的数据供给"。
这种共识背后有很多现实原因。一方面，行业经过前几年的狂奔，已经意识到算力、传感器、大模型这些基础资源可以快速拉齐，但安全兜底、高价值场景覆盖、边缘case处理这些"慢功夫"很难在短时间内赶上。另一方面，法规体系和用户期望都在倒逼系统给出更透明的行为解释，这也让"可解释性"从学术概念变成了工程需求。所以你会看到，会议里大量工作都在围绕决策透明、失效降级、安全冗余这些关键词展开。
2. 端到端方案的深水区：感知、预测、规划不再有清晰边界
2.1 从模块化到端到端的演进逻辑
传统自动驾驶架构是清晰的流水线：感知给目标，预测给轨迹，规划给控制。这套架构的优点是每个环节都好调试、好优化，单个模块的性能可以独立验证。但它也有个绕不开的问题——信息在模块间传递时会出现损失。感知模块可能丢掉了一个对下游规划极其重要的细粒度特征，预测模块为了输出"最可能的轨迹"而忽略了对安全性至关重要的"极小概率场景"，这些问题在模块化架构里很难整体优化。
所以我今年特别关注端到端方向。这类方案把感知、预测、规划放进同一个可微分的框架里，用驾驶数据直接监督最终的行为输出。好处是梯度可以从方向盘转角一路传回传感器，系统能自动学习"哪些中间特征对驾驶真正重要"，而不是依赖人工设计的接口。今年会议上有几篇工作在这个方向上走得很远：有的把多任务头全部收敛到一个统一的隐式特征空间，有的在连续时间维度上联合优化轨迹，还有的引入强化学习来修正模仿学习的分布偏移问题。
2.2 端到端真正难在自信输出和可退化
不过端到端方案有一块短板被很多研究者低估——系统对自己的输出缺少"信心值"。传统模块化架构里，每个模块都能给出一个直观的置信度，方便上层做融合决策；而端到端模型输出的是一个高维连续向量，很难直接判断"这次预测有多可靠"。
今年有几篇文章在尝试解决这个问题，思路大致分两类：一类是在训练时引入概率头，让模型同时输出每个时刻的置信度区间；另一类是构造离线评估框架，用大量闭环仿真场景检验端到端模型在分布外数据上的表现。我个人觉得，这类"自知之明"能力会决定端到端方案能否真正进入量产——没有可靠的自我评估机制，系统工程师就不敢放开规则兜底。端到端不是一锤子买卖，它是一个需要在工艺上不断打磨的方向。
3. 多模态大模型上车：与其让车"看"，不如让它"懂"
3.1 大模型在驾驶里的角色定位
今年会议里关于大模型的讨论非常多，但细看之后会发现，真正有共识的方向不是"用大模型直接开车"，而是让大模型充当驾驶系统的"认知层"。所谓认知层，通俗讲就是让车不仅看到画面，还理解画面背后的语义关系：前车会不会突然变道？路边的施工牌对当前车道意味着什么？这些判断靠传统的目标框和车道线很难表达，却是安全驾驶的关键。
我看今年有几篇工作很有意思，它们把视觉语言模型和传统自动驾驶感知串联起来：视觉部分保留高精度的几何检测能力，比如精确的目标框、地图元素、占用网格，同时把大模型用在"场景解释"这个更高维的环节。比如后车切入意图预判、复杂路口通行优先级判断这类问题，用大模型的语言先验可以从常识层面给出一部分答案，这是纯数据训练的感知头很难学到的东西。
3.2 世界模型：自动驾驶的模拟考试
还有一个特别火的方向是世界模型。通俗理解，世界模型就是一个能根据历史状态预测未来场景动态的生成式模型。它拿过去几帧的感知结果作为输入，输出未来可能出现的视觉场景或者语义状态序列。在自动驾驶里，世界模型有两大应用价值：第一是数据生成，可以造出大量虚实结合的高价值训练场景；第二是作为"环境模拟器"做策略验证，也就是让决策算法在虚拟交互里先跑很多轮。
这次会议上，世界模型相关的论文覆盖了两条技术路线：一条是基于扩散模型的视觉场景生成，主打合成数据逼真度；另一条是基于Transformer的自回归状态预测，侧重未来拓扑结构变化。两条路线各有所长，但核心都绕不开一个问题——如何保证生成场景的分布多样性。如果世界模型只会生成和训练集相似的数据，那它对于发现系统边界的价值就非常有限。有团队已经尝试给生成过程注入控制信号，比如指定天气、指定交通流密度甚至指定事故风险等级，然后再检验驾驶策略在这些条件下的表现。这个方向我觉得明年还会继续升温。
4. V2X和车路协同：从"单兵作战"转向"群体协作"
4.1 车路协同在2025年的新落脚点
前几年谈车路协同，多少有点"演示性质"，修一段路、部署几个路侧单元、跑通一个远程遥控驾驶Demo就算完成汇报。但这次会议上，车路协同相关的研究明显更务实了，更多人开始思考：路侧基础设施到底能解决单车的哪些真正痛点？
有一类回答很有说服力——感知盲区和长尾场景。单车智能做得再好，受限于传感器安装位置和物理感知距离，总会有看不到的死角和预测不了的突发事件。路侧感知正好可以补齐这个短板：高位摄像头加激光雷达可以把路口全貌还原成结构化信息，再通过低时延链路分发给经过的车辆。今年有论文专门研究了路侧感知与车端感知的时间对齐和空间匹配问题，还考虑了通信时延对协同感知精度的影响，这些都是从实验室走向真实部署必须解决的工程细节。
4.2 协作决策比信息共享更难也更重要
但我看下来，真正研究深度更深的是协作决策。信息共享解决的是"我看到你看不到的东西"，而协作决策要做的是"我们几辆车和路侧系统一起决定接下来谁先走、谁减速、谁让行"。这个问题在无信号灯路口特别典型：如果每辆车都只按自己的逻辑决策，整体效率会很低，甚至出现死锁；如果能通过协作机制形成一种"虚拟信号灯"，通行效率和安全都会显著提升。
今年的相关工作中，有做基于博弈论的冲突消解，也有做多车联合轨迹优化的，还有一个挺新的思路是把多智能体强化学习用在协作规划上，让车和车在仿真环境里"练"出协调配合的行为。不过在讨论这些成果时，几个资深研究者都提到同一个现实约束——通信可靠性没法做到100%。V2X链路一旦丢包，整套协作方案立刻退回单车智能模式。所以工程上更稳妥的设计是：协作作为"能力增强层"，单车智能作为"安全兜底层"，两条腿走路。
5. 仿真、安全与测评体系：量产落地前夜的三大硬约束
5.1 仿真平台的"真实感"陷阱
今年会议在仿真验证方向上花了很多篇幅，这说明行业已经达成一个共识：靠实际道路测试堆里程，永远也不可能覆盖足够的安全关键场景。但仿真不是换个赛道把问题简化了，它带来了一个新的难题——仿真结果到底可不可信？
这次会议有几篇关于仿真真实感的讨论特别关键。一个是传感器仿真保真度，点云反射率不是随便设一个均匀值，而是要根据真实材质、距离、角度计算衰减，否则训练出来的感知模型会过度依赖错误的特征。另一个是交通参与者行为的真实性，仿真环境里的社会车辆如果总是"乖乖开车"，那被测系统学到的就是一个过于乐观的预期。今年的趋势是开始把真实路测数据里的冲突场景"回灌"到仿真环境里重新构造测试用例，让仿真环境越来越像一个"经验丰富的驾考教练"，专门出难题。
5.2 预期功能安全（SOTIF）走向方法论落地
安全是另一个绕不开的热点，特别是预期功能安全。不同于传统功能安全关注"系统会不会坏"，”SOTIF更关注"在系统没坏的情况下，会不会因为性能局限或环境超出设计边界而做出错误行为"，它比功能安全更贴近自动驾驶的实际风险来源。
以前很多团队把SOTIF当成一个文档流程，只是为了过认证而准备材料，但今年会议上能看到它正在变成一个实打实的技术工具。例如有研究把自动驾驶系统已知的感知局限（比如传感器失效模式、算法在低照度下的精度下降）建立成模型，再结合场景库去搜索"可能触发危害的条件组合"。这个思路本质上是一个对抗性搜索问题：不是所有场景都对系统的每个性能边界有压力，真正危险的是那些刚好踩在多个子系统薄弱的叠加区域上的场景。另外还有关于降级策略的讨论：当系统检测到自身能力不足时，应该用什么样的节奏通知驾驶员接管，既不能太早也不能太晚，这也是工程落地中非常实际的体验问题。
5.3 面向可解释性的测评指标
测评体系的第三个热点是可解释性。随着自动驾驶等级提升，用户开始问一个之前没人认真回答的问题：车为什么要这么做。今年有一些工作尝试把决策过程可视化：比如输出注意力图，展示规划模块主要"盯着"哪几个障碍物；或者给每个行为生成一条自然语言解释，"前方车辆减速且向右偏移，本车选择保持车道并行通过"。这些能力的背后，需要把感知特征的注意力权重和规划模块的决策条件做联合分析。
这类"会解释的车"给研发调试带来的帮助也很大。工程师在复现一个事故场景时，不再只是盯着数据回放猜原因，而是可以直接查看模型在关键时间步关注了什么、忽略了什么，排查效率提高了很多。我觉得把可解释性做成一个真正的技术组件而不仅仅是展示Demo，是明年最值得期待的方向之一。
6. 从学术热点到工程实践：我的一些不成熟但很真诚的建议
6.1 读会议论文的正确姿势
每年会议结束，都会有朋友问我：论文列表这么长，应该怎么读？我的建议是不要按标题挨个刷，先按方向分门别类，再抓代表性工作精读方法论。今年我自己的阅读排序是这样：先看端到端方案里对不确定性建模的部分，因为这是量产瓶颈；再看世界模型相关工作中关于可控生成的策略，因为这是数据手段的重要补足；最后看V2X协作决策的退化设计，因为在真实场景里必须有兜底方案。
看论文的时候，我习惯带着三个问题去读：它的输入输出接口是什么？它依赖哪些理想化假设？它如果上车，最可能在哪个环节出问题？想清楚这三个问题，比记住几十篇论文的技术名字有用得多。很多工作看起来效果惊艳，但仔细一看，用了未来帧信息或者需要完美的高精地图输入，这类工作在工程转化上就得打一个问号。
6.2 这些研究热点对团队资源投入的启示
如果团队正在规划下一阶段的技术路线，我建议把资源往这几个方向倾斜：数据闭环、安全验证、协同决策的兜底设计。数据闭环不是说上几台采集车拉几十万公里数据就行，而是要把车端出现的问题场景高效回流、自动挖掘、快速生成变体和补充标注。安全验证也不是买一套仿真软件就能解决，而是需要把场景生成、故障注入、系统评估串成一条流水线。至于协同决策，如果短期离不开V2X的场景，先把单车应对未知目标的鲁棒性和保守性做扎实，是更现实的选择。
另外还有一个容易被忽视的点：人才培养。我明显感觉到，今年会议上的优秀工作很多都是跨学科团队做的——有搞机器学习的，有搞车辆动力学控制的，还有搞交通流理论的。自动驾驶发展到今天，纯单学科背景的人已经很难独立撑起一个完整的系统难题，团队知识结构的多样性，会成为未来两年拉开差距的关键因素。
6.3 最后的一点个人体会
我把今年的研究热点做了一次复盘，最大的感受是：自动驾驶这个领域，正在从不计成本地"秀肌肉"走向精细化地"补短板"。端到端、世界模型、V2X这些名字不会消失，但支撑它们价值的是那些琐碎而扎实的工程问题——不确定性怎么度量、分布外场景怎么发现、失效之后怎么安全降级。
如果给后来者一个建议，我会说：别被热闹的词汇带着跑，多留意那些"不性感"但决定了系统上限的工作，比如场景生成的可控性、感知置信度的校准、协同方案的通信容错。这些方向短期内可能不如某一个爆款方法那么吸睛，但它们是量产落地绕不开的护城河。下次再看任何一场会议，试着用"这个工作能不能让我在真实路况里更放心一点点"来筛选，也许收获会大不一样。
