文章核心观点 - 文章提出并验证了“无人驾驶具身交互智能”理论框架，旨在解决无人驾驶系统实现人车双向认知协同的根本挑战，使无人车具备深度情境理解、自然交互和持续学习能力，从而迈向真正的智能化和社会化融入[3][5][11] 无人驾驶技术面临的挑战与目标 - 当前无人驾驶技术面临的根本挑战是构建人与车之间的双向认知协同，无人车需理解人类行为且其决策需被人类理解，否则将损害可信性[3] - 驾驶场景高度动态、碎片化且无穷尽，无人车如何在复杂真实场景中持续进化是其迈向真正智能化的最后一道难关[3] - 研究目标是使无人车具备交互、学习、可信任的能力，并能通过自主终生学习，以有限的驾驶经验逼近无限的智能，实现人机融合[5] 无人驾驶具身交互智能框架 - 研究提出了无人驾驶具身交互智能框架，其核心思想是让无人车作为智能体，通过跨模态感知和主动交互，持续构建并优化物理世界与自身认知世界的映射关系，形成“感知-认知-行为”的闭环范式[6] - 该框架包含三大交互类别：车与人交互、车与车交互、车与环境交互，并针对不同主体提出了差异化的交互认知模型[6] - 框架最终集成为一个端到端的感知-认知-行为闭环反馈范式，将复杂交互理解整合为统一的奖励函数与软约束，使车辆能以符合社会规范、可预测且安全的方式决策与行驶[10] 关键技术模型与方法 - 车与人交互：采用基于多视时空特征的超图神经网络模型，通过构建动态时空超图捕捉人体关节高阶语义关联，融合多视角跨模态信息，实现对行人意图的精准理解[6][7] - 车与车交互：设计了基于联合轨迹预测的世界模型深度强化学习网络，通过估计无人车与周围社会车辆行驶轨迹的联合概率分布，推理多个潜在交互场景，以评估驾驶策略优劣，在复杂交互工况中表现优异[7] - 车与环境交互：构建了统一约束的车与环境交互模型，采用鸟瞰图空间统一编码多视角跨模态感知信息，通过超图神经网络学习环境要素间的高阶关系，并创新性地将大语言模型的驾驶知识蒸馏到实时模型中，实现系统性环境理解[7][8] 框架验证与实际应用 - 该框架在模拟环境中已超越多种先进算法，展现出更接近人类的驾驶熟练度[10] - 研究团队将最终集成的UniCVE模型部署于东风无人驾驶巴士，在雄安新区复杂开放道路上，累计安全行驶超过22,000公里，完成了45,000次导航任务，标志着该框架从仿真走向现实应用[10] - 路测验证了框架的有效性，并揭示了进化方向：在存在严重视觉遮挡的路口等极端场景中，模型能通过反复接触类似模式，基于经验记忆发展出预判能力，实现主动安全适应[10] 研究意义与未来方向 - 该研究提出的范式使无人车具备了在碎片化场景中的自主终生学习机制，构建了从有限样本到无限智能的演化路径，为无人驾驶系统实现社会化融入提供了理论支撑与技术路径[11] - 该研究标志着无人驾驶技术从功能实现向认知智能的跨越式发展[11] - 未来团队将着力增强模型对遮挡的感知能力、融入不确定性预测，并强化其记忆模块，以更好地应对各类复杂路口几何形状[11]