AD-GS框架 - 南开大学联合团队提出AD-GS框架，通过可学习B样条曲线与三角函数运动建模结合对象感知分割，实现自监督自动驾驶场景的高质量渲染，在KITTI数据集上PSNR提升至29.16（75%训练数据），显著优于PVG的27.13 [1][5] - 创新点包括：动态高斯的局部/全局拟合方法、基于伪2D分割的场景建模（区分物体/背景）、可见性与物理刚性正则化设计，提升噪声伪标签下的鲁棒性 [5] - 实验结果显示AD-GS在PSNR（33.91）、SSIM（0.927）、LPIPS（0.228）等指标上优于StreetGS、4DGF等基线模型 [6] FiM轨迹预测框架 - 香港科技大学团队提出FiM框架，通过奖励驱动的意图推理（QIRL）和双向选择性状态空间模型（Bi-Mamba），在Argoverse 1数据集实现Brier Score 0.6218（单模型最优），nuScenes数据集minADE₆达0.88（当前榜单第一） [7][10] - 采用"先推理后预测"策略，将行为意图作为空间引导融入预测过程，分层DETR-like解码器提升轨迹准确性 [10] - 实验结果：FiM在minADE6（0.8296）、minFDE6（1.2048）、Brier score（0.6218）等指标优于DenseTNT、HiVT等模型，nuScenes数据集上minADE5（0.88）和MR5（0.31）表现突出 [12][14] IANN-MPPI路径规划方法 - 本田研究所提出交互感知神经网络增强型MPPI框架，密集车流汇入场景成功率提升至67.5%（较非交互基线高22.5%），变道时间缩短10秒（31.83秒→21.40秒） [14][17] - 关键创新：基于样条先验的MPPI采样增强车道变换效率，实时并行计算（0.1秒/帧） [17] - 仿真结果显示，Cooperative行为模式下成功率100%，Planning Cost最低达4.40±1.48，采用样条先验的MPPI版本比无先验版本合并时间减少32.8% [20][21]