自动驾驶必读论文地图：14 篇串起整个行业

这个需求很有价值——一份能"从地基串到屋顶"的论文清单，比零散读十几篇有用得多。经典部分（Transformer→BEV→端到端）我很有把握，但 2025-2026 年 VLA 和世界模型的最新代表作需要先核实，避免给你推荐过时或错误的论文。让我查一下。VLA 综述已确认。再查一下世界模型方向的代表作，确保华为那条线也串得准。信息足够了。华为 ADS 的世界模型（WEWA 架构）没有公开论文，但它的技术根源就是 GAIA-1/DriveDreamer 这条学术线，串联逻辑已经清晰。现在给你整理这份论文地图。

自动驾驶必读论文地图：14 篇串起整个行业

先给你全局视图：四层金字塔

这 14 篇论文不是平铺的，而是四层递进的技术栈——每一层解决上一层留下的问题，最后正好落在小鹏 VLA 2.0、FSD v14、华为世界模型这三座"屋顶"上：

第四层【前沿范式】 VLA / 世界模型        ← 小鹏VLA2.0、华为WEWA、FSD v14在这
第三层【端到端】   UniAD / VAD           ← 行业2023-2024的主战场
第二层【BEV感知】  LSS / BEVFormer       ← 你已经学过的，行业基石
第一层【地基】     Transformer / ViT     ← 一切的源头

阅读总原则：按层往上读。跳层读会痛苦（比如没读 Transformer 直接读 BEVFormer，注意力机制那部分会看不懂）。

第一层：地基（2 篇）——不读这两篇，后面全是天书

① Attention Is All You Need (2017, Google)

解决的问题：RNN 处理序列又慢又记不住长依赖。这篇论文发明了 Transformer——纯注意力机制，并行计算、全局感受野。

为什么智驾必读：你后面要读的每一篇（BEVFormer、UniAD、VLA、GAIA-1）全部建立在 Transformer 上。FSD v14 是"一段式端到端 Transformer 神经网络"，小鹏 VLA 2.0 的底座也是。这篇不懂，后面全部似懂非懂。

重点读：Section 3（架构）+ 3.2（注意力计算公式）。你之前问过的"256 维 d_model"就出自这里。

② ViT: An Image is Worth 16x16 Words (2020, Google)

解决的问题：Transformer 只能处理文字序列，图像怎么办？答案：把图像切成 16×16 的小块（patch），每块当一个"词"。

为什么智驾必读：这是"图像进 Transformer"的开山之作。BEVFormer 把图像特征当 token、VLA 把摄像头画面变 token，源头都是 ViT 的 patch 思想。你问过的"视觉 token"概念就是从这来的。

第二层：BEV 感知（3 篇）——你已有基础，重点补 LSS

③ LSS: Lift, Splat, Shoot (2020, NVIDIA)

解决的问题：多个相机的 2D 图像怎么变成统一的 BEV 俯视图？LSS 的答案："Lift"——给每个像素预测一个深度分布，把 2D 像素"抬"到 3D 空间；"Splat"——把 3D 点拍扁到 BEV 网格。

为什么必读：这是 BEV 方法的两大流派之一（前向投影派）。你学的 BEVFormer 是另一派（反向查询派）。面试必考题："LSS 和 BEVFormer 的投影方向有什么本质区别？"——LSS 从图像出发往 BEV 推（forward），BEVFormer 从 BEV 格子出发往图像查（backward）。读完这篇你才算两派都懂。

④ BEVFormer (2022, 上海AI Lab)

解决的问题：LSS 依赖深度估计（不准），BEVFormer 用"BEV query 主动去 6 路相机查询特征"绕开显式深度估计，还加了时序自注意力解决遮挡和速度估计。

你已经深度学过（我们做的那份 HTML 讲解），这里只需重读论文本身验证理解。重点读：Fig 2（架构图）、Spatial Cross-Attention 公式，对照你玩过的那个交互式投影演示。

⑤ Occupancy Networks 思想 → Tesla AI Day 2022 (讲座, 非论文)

解决的问题：3D 框检测有个致命盲区——没见过的异形物体（侧翻的卡车、掉落的货物）检测不出来。占据网络不输出"框"，输出"空间里每个体素被占没被占"，管你是什么东西，占了就绕。

为什么放这：这是特斯拉纯视觉路线的核心一环，也是理解 FSD 感知的钥匙。没有正式论文，看 Tesla AI Day 2022 视频（YouTube）+ 网上解读文章即可。学术界对应的是 TPVFormer/SurroundOcc，有余力可翻。

第三层：端到端（3 篇）——2023-2024 行业主战场

⑥ UniAD: Planning-oriented Autonomous Driving (2023, 上海AI Lab, CVPR 最佳论文)

解决的问题：传统模块化流水线（感知→预测→规划各自独立训练）存在误差累积、目标不一致——感知优化 mAP，但 mAP 高不等于开得好。UniAD 把 5 个模块（跟踪/建图/轨迹预测/占据/规划）用统一的 query 串起来联合训练，所有模块为最终规划服务。

为什么必读：这是"模块化端到端"的巅峰，也是你理解"为什么行业要端到端"的最佳教材。你 Project 2 学的就是它。重点读：Fig 1（planning-oriented 设计哲学）、各模块 query 怎么传递。

⑦ VAD: Vectorized Scene Representation (2023, 华中科大+地平线)

解决的问题：UniAD 太重（栅格化表示计算量大，跑不到实时）。VAD 把场景全部矢量化（车道线是向量、轨迹是向量），速度快约 10 倍，首次让端到端逼近实时可部署。

为什么必读：这是"学术端到端"走向"量产端到端"的关键一步。你之前问的"导航命令 one-hot 向量"就是 VAD 的输入设计。它也是理解小鹏/理想量产方案的最佳学术参照。

⑧ DriveVLM (2024, 清华+理想)

解决的问题：纯端到端网络遇到长尾场景（临时交警手势、异形障碍、罕见路况）泛化差，因为训练数据里没有。DriveVLM 引入视觉语言大模型（VLM）做"慢思考"：大模型理解罕见场景并给出建议，传统端到端管"快反应"，双系统协作。

为什么必读：这是"大模型上车"的代表作，也是从第三层（端到端）通向第四层（VLA）的桥。理想量产的双系统方案（快慢系统）就源于此。

第四层：前沿范式（4 篇 + 2 综述）——直通三家量产系统

⑨ GAIA-1 (2023, Wayve)

解决的问题：怎么让模型"理解世界如何运转"而不只是"模仿人类开车"？GAIA-1 是首个大规模驾驶世界模型——输入视频/文本/动作，预测并生成未来的驾驶场景视频。它学到的不是"这个场景该打多少方向盘"，而是"世界接下来会发生什么"。

为什么必读：世界模型这条线的开山之作。GAIA-1 通过在大量真实驾驶数据上训练，学习并理解了真实世界的规则和驾驶场景中的关键概念，可以预测多种可能的未来，甚至包括超出其训练集的动作和场景——这展示了其理解和推断训练集中不存在的驾驶概念的能力。华为 ADS 的世界模型宣传（WEWA 架构）技术根源就是这条线——华为没公开论文，但读懂 GAIA-1 你就懂了华为在做什么。

⑩ DriveDreamer (2023, GigaAI+清华)

解决的问题：GAIA-1 生成的场景不够"可控"。DriveDreamer 引入扩散模型让世界模型的环境表征更强，能按 HDMap、3D 框、文字提示精确控制生成内容（指定天气、时间、车辆动作），专门生成训练数据里稀缺的长尾场景。

为什么必读：世界模型的第一大落地价值就是"数据工厂"——驾驶场景生成允许进行模拟测试，丰富数据组成，增强系统在复杂场景中的能力。理解了它，你就理解了为什么各家车企都说"用世界模型造数据训练端到端模型"。这也正好接上你 Project 2 里的 World Model 章节。

⑪ VLA 综述: A Survey on Vision-Language-Action Models for Autonomous Driving (2025, ICCV Workshop)

解决的问题：VLA 论文太多太散，这篇综述形式化了近期工作共享的架构组件，追溯了从早期解释器到以推理为中心的 VLA 模型的演化，并对比了20多个代表性模型。

为什么必读：一篇顶二十篇。它把三种范式的演进关系讲透了：端到端驾驶提供直接的感知到控制映射但缺乏可解释性和泛化能力；VLM4AD 引入自然语言推理和可解释性但仍以感知为中心；VLA4AD 整合感知、推理和行动，实现可解释且鲁棒的闭环控制。读完这篇，你就能精准理解小鹏 VLA 2.0"砍掉语言层做 V-A"是在这个演化谱系的哪个位置、为什么这么做。

⑫ OpenVLA (2024, Stanford)

解决的问题：VLA 模型怎么开源落地？OpenVLA 给出了完整的开源实现（视觉编码器+LLM+动作头），是学术界复现 VLA 的标准起点。

为什么必读：你 Project 2 的 MiniVLA（Qwen2.5-VL+LoRA 输出轨迹）本质就是 OpenVLA 思路的简化版。读它能验证你自己搭的架构哪里对、哪里可以改进。机器人和驾驶的 VLA 是同一套范式——小鹏说 VLA 技术栈复用于人形机器人，就是这个原因。

⑬⑭ 两篇兜底综述（工具书，不用精读）

• 《Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future》(2025 末)——最新的 VLA4AD 全景图，配套 GitHub 仓库持续更新论文列表，当"追新雷达"用
• 《The Role of World Models in Shaping Autonomous Driving》(2025)——世界模型综述，把 GAIA-1/DriveDreamer/Vista/Drive-WM 等谱系整理清楚，当"世界模型地图"用

推荐阅读顺序与时间规划

结合你 15h/周、主力还要跑 Project 2/3 的现实，论文阅读建议穿插进行，每周 1-2 篇精读：

三家量产系统怎么被这 14 篇串起来（最终拼图）

特斯拉 FSD v14：①Transformer + ②ViT（架构底座）→ ⑤占据网络（感知）→ 端到端思想（⑥⑦的极致版：一段式大网络直接出控制）+ 强化学习后训练

小鹏 VLA 2.0：①② 底座 → ④BEV 感知遗产 → ⑧⑪ VLA 谱系 → 创新点是砍掉 L 层做"V-A"直连（⑪综述里能找到这个演化逻辑）+ ⑨⑩世界模型做数据引擎

华为 ADS（世界模型宣传）：④BEVFormer 类感知（GOD 网络）→ ⑨GAIA-1/⑩DriveDreamer 这条世界模型线的工程化落地 + 多传感器融合（激光雷达路线）

读完这份清单，你看任何一家车企的发布会，都能立刻定位"这个功能对应哪篇论文的思想、创新点在哪、吹牛的成分有多少"——这正是面试时最值钱的判断力。

一个实用建议：每读完一篇，用你熟悉的方式写 200 字"这篇解决了什么问题 + 和我的 Project 2/3 哪里有关"，存成笔记。8 周后这份笔记本身就是你面试前的最佳复习材料。需要的话，我可以为其中任何一篇做像 BEVFormer 那样的深度 HTML 拆解——你读到哪篇卡住了随时说。

为者常成，行者常至