基础模型正在为自动驾驶感知领域带来革命性变革，将该领域从专注于特定任务的深度学习模型，转变为在海量、多样数据集上训练的多功能、通用型架构。本 综述探讨了这些模型如何应对自动驾驶感知中的关键挑战，包括泛化能力有限、可扩展性不足以及对分布偏移鲁棒性较差等问题。综述提出了一种全新的分类框 架，该框架围绕动态驾驶环境中实现稳健性能所需的四项核心能力构建：通用知识、空间理解、多传感器鲁棒性和时序推理。针对每一项能力，本文首先阐明其 重要性，随后全面回顾相关前沿方法。与传统的"基于方法"的综述不同，本研究的独特框架优先关注概念设计原则，为模型开发提供了"以能力为导向"的指导， 并更清晰地揭示了基础模型的核心特性。最后，本文讨论了当前面临的关键挑战（尤其是将这些能力集成到实时、可扩展系统中所涉及的挑战），以及与计算需 求、确保模型对幻觉问题和分布外失效问题的可靠性等相关的大规模部署挑战。此外，综述还概述了未来的关键研究方向，以推动基础模型在自动驾驶系统中的 安全有效部署。 论文链接：https://arxiv.org/abs/2509.08302 一、引言 自动驾驶感知是智能交通系统的核心组成部分，其核心作用是使车辆能够实 ...