Aeva Technologies, Inc. (NASDAQ:AEVA) is one of the Best Small-cap EV Stocks to Buy According to Analysts. On September 30, Aeva Technologies, Inc. (NASDAQ:AEVA) released a multi-sensor FMCW 4D LiDAR and camera dataset for autonomous vehicle research. The dataset is recognized as the industry’s first open dataset, which features key elements including semantic segmentations, tracking, lane annotations, and object velocity measurements. Management noted that this open dataset provides researchers with high ...

文章核心观点 - 同济大学与威斯康星大学麦迪逊分校提出Diffusion²模型 专为解决自动驾驶中“鬼探头”场景下的瞬时行人轨迹预测难题 [1] - 该模型采用两个串联的扩散模型 分别进行反向历史轨迹预测和正向未来轨迹预测 以捕捉轨迹间的因果依赖性 [2][7] - 通过引入双头参数化机制量化预测不确定性 并结合时间自适应噪声调度器动态调整噪声 在ETH/UCY和斯坦福无人机数据集上实现了最先进的预测性能 [5][7][45] 研究背景与问题定义 - 准确的行人轨迹预测对自动驾驶安全性至关重要 尤其在行人突然从盲区出现等瞬时观测场景中 [2] - 传统方法依赖足够长的观测期（如8帧约3.2秒） 但在现实场景中往往只能获得有限观测数据 导致预测性能显著下降 [2] - 在SDD数据集中 仅有瞬时观测的行人出现频率达2.22 s⁻¹ 在ETH/UCY数据集中为1.02 s⁻¹ 凸显了研究该问题的重要性 [2] - 研究目标为仅使用两帧观测数据作为输入 预测行人的未来轨迹及未观测到的历史轨迹 [8] 模型架构与技术创新 - Diffusion²由DDPMpast和DDPMfut两个顺序连接的扩散模型组成 分别负责反向预测历史轨迹和正向预测未来轨迹 [14] - 双头参数化机制通过两个输出头增强标准噪声预测网络 一个头预测噪声 另一个头估计每个坐标的对数方差以量化偶然不确定性 [4][17][18] - 时间自适应噪声调度器根据预测的历史轨迹不确定性水平 在前向扩散过程中动态调节噪声尺度 高不确定性时注入更多噪声以鼓励探索 [5][22][23] - 模型采用对编码器不敏感的设计 可无缝集成多种编码器 实验中采用了具有卓越表征能力的MOE编码器 [15] 实验性能与结果 - 在ETH/UCY数据集上 Diffusion²的平均ADE（平均位移误差）为0.19 FDE（最终位移误差）为0.33 优于所有对比方法 [45] - 在斯坦福无人机数据集上 ADE为8.26 FDE为14.87 同样达到最先进水平 [45] - 推理延迟方面 在NVIDIA RTX A800硬件上 DDPM版本为412毫秒 DDIM版本为75毫秒 优于部分对比方法 [47] - 消融实验证明 双头参数化机制和自适应噪声调度器的引入均能显著提升模型性能 [48] 技术局限性与未来方向 - 基于扩散的框架存在迭代采样过程 导致推理速度较慢 可能阻碍其在实时场景中的部署 [52] - 训练过程涉及优化多个扩散阶段 计算成本较高 [52] - 在交互密集的场景（如UNIV数据集）中 模型的适应能力有所下降 [54] - 未来工作将探索更高效的训练和推理方法 以降低计算资源开销 并提升在复杂交通场景中的鲁棒性 [53][54]

涉及的行业和公司 * 公司为小马智行（Pony AI Inc）[1] * 行业为自动驾驶Robotaxi生态系统 涉及自动驾驶芯片供应商、服务提供商和网约车平台等[1][2] 核心观点和论据 **投资建议与目标价** * 维持对小马智行的买入评级 12个月目标价从27.7美元上调至31.3美元[1][7] * 目标价基于贴现EV/EBITDA估值法 采用16.6倍2031年预估EBITDA倍数（此前为15.0倍）[7][13] * 估值上调源于更高的盈利预测和更高的估值倍数[7] **Robotaxi生态系统与商业化进展** * Robotaxi生态系统正在扩张 更多供应链厂商进入市场 有助于加速车队规模扩张和优化总成本[1][2] * 小马智行与生态系统伙伴紧密合作 在中国多个城市扩大无人驾驶车队运营 并拓展至中东、新加坡等海外市场[1] * 公司拥有全栈式自动驾驶解决方案 整合了虚拟司机技术、驾驶平台和服务[1] * 具体合作案例包括地平线机器人将部分融资用于Robotaxi相关计划 网约车平台Hello推出预装Robotaxi车型HR1（目标2026年投产） 以及小马智行与ComfortDelGro等服务提供商合作[2] **财务预测修正** * 将2027-2032年营收预测上调1% 主要基于供应链扩张支持Robotaxi运营 导致单车GMV上升[3] * 将2028-2032年毛利率预测上调0.3个百分点 主要基于产品组合变化[3] * 将2025/2026/2027年净亏损预测修正至2.16亿/2.31亿/2.54亿美元（此前为1.97亿/1.97亿/2.39亿美元） 主要因Robotaxi研发支出增加[3] * 预计随着规模扩大 研发费用比率将改善[3] **运营与财务指标展望** * Robotaxi业务收入占比预计从2024年的10%显著提升至2029年的93% 并在2030-2032年维持在94%以上[8] * Robotaxi运营车辆数量预计从2024年的124辆大幅增长至2030年的52,750辆[8] * 营收同比增长率预计在2028年达到147%的峰值 随后逐步放缓[8] * 毛利率预计从2024年的15.2%持续改善至2032年的47.0%[8][12] * 公司预计在2029年实现扭亏为盈（营业利润7百万美元） 随后盈利快速增长 2032年营业利润达13.06亿美元[8][12] 其他重要内容 **下行风险** * 关键下行风险包括监管、供应链、Robotaxi市场增长、个人信息、基础设施、定价竞争和产品责任[14] **估值与市场数据** * 当前股价为24.06美元 较目标价有30.1%的上涨空间[16] * 公司市值84亿美元 企业价值81亿美元[16] * 小马智行的并购评级为3（低概率）[16] **业务模式演变** * Robotaxi业务模式预计从项目制解决方案 过渡到运营（Ponypilot） 再发展为软件解决方案（NRE + 授权费）[8] * 产品管线包括2025年推出的第七代Robotaxi和2028年推出的第八代Robotaxi[8]

社区核心定位 - 专注于最前沿的自动驾驶技术，打造技术社区 [5] - 社区覆盖近40多个学习路线，包括自动驾驶VLA、世界模型、闭环仿真、扩散模型、BEV感知等关键技术领域 [5] - 旨在保持技术活力，推动持续学习 [5] 技术交流与资源 - 提供与学术界和工业界顶尖专家面对面交流的机会 [5] - 讨论行业前沿议题，如VLA和WA的路线之争、未来自驾发展方向、世界模型本质及端到端技术探讨 [5] - 社区资源包括顶会作者亲临、直播互动以及Impromptu VLA、NavigScene、LangCoop、DriveBench、ZeroGS、Diffusion planner等具体项目交流 [5] 课程与培训体系 - 平台提供七门精品课程，内容涵盖世界模型、轨迹预测、大模型、相机标定、毫米波、点云3D检测、Transformer等核心主题 [5] - 课程体系面向初学者，注重核心能力的系统性培养 [5] - 提供平台课程八折优惠券及超级折扣卡，课程可享受七折优惠 [3]

业务运营与增长 - 公司旗下自动驾驶出行服务Apollo Go在2025年第二季度完成超过220万次全无人驾驶出行，同比增长148% [1] - 该服务通过与Uber和Lyft的战略合作，将在亚洲、中东和欧洲部署数千辆Apollo Go车辆，以轻资产模式加速国际市场扩张 [2] - 该业务在武汉实现单城市层面盈利，当地出租车费比中国一线城市低约30% [3] 技术与成本优势 - 该业务采用全球首款专为L4级自动驾驶设计的RT6车辆，拥有同级别最低的单车成本 [3] - 在香港扩展至复杂的右舵驾驶环境，展示了其技术能力 [3] - 低成本的RT6平台使公司在L4级自动驾驶部署中具备强大优势 [8] 财务表现与估值 - 公司2025年第三季度营收共识预期为43.4亿美元，同比下降9.33% [4] - 公司股价在年内上涨64.8%，表现优于行业（32.8%）和板块（24.1%） [6] - 公司未来12个月前瞻市盈率为17.31倍，低于行业平均的24.65倍 [10] 市场竞争格局 - 公司在自动驾驶领域面临特斯拉和Alphabet旗下Waymo的激烈竞争 [5] - 特斯拉通过空中升级持续扩展其全自动驾驶技术，Waymo则在美国提升其叫车服务覆盖范围和车队使用率 [5]

产品发布核心信息 - Tradr ETFs于2025年10月8日推出五只新的单只股票杠杆ETF [1] - 这些ETF旨在提供标的股票每日表现的两倍（200%）回报 [1] - 新ETF在Cboe交易所上市 是该系列增长型公司中首个且唯一的策略产品 [1] 新上市ETF详情 - 新上市的五只ETF及其追踪的标的公司包括：Tradr 2X Long AUR Daily ETF (AURU) 追踪Aurora Innovation Inc (AUR) [9]；Tradr 2X Long CELH Daily ETF (CELT) 追踪Celsius Holdings Inc (CELH) [9]；Tradr 2X Long LYFT Daily ETF (LYFX) 追踪Lyft Inc (LYFT) [9]；Tradr 2X Long NET Daily ETF (NETX) 追踪Cloudflare Inc (NET) [9]；Tradr 2X Long OKTA Daily ETF (OKTX) 追踪Okta Inc (OKTA) [9] 公司业务与市场定位 - Tradr ETFs是一家为成熟投资者和专业交易员提供ETF的发行商 [1][4] - 公司策略包括寻求对活跃交易股票和ETF做多或做空敞口的杠杆和反向ETF [4] - 公司产品可通过大多数经纪平台进行交易 使投资者无需使用保证金并规避期权交易的复杂性 [2] 公司发展历程与规模 - Tradr ETFs在2022年成为首家推出单只股票杠杆ETF的发行商 最初产品为特斯拉的TSLQ和英伟达的NVDS [2] - 随着此次新产品的上市 Tradr的杠杆ETF产品线已增至39只 管理资产规模超过17亿美元 [2] 行业覆盖与市场观点 - 此次新发行的ETF覆盖了从网络安全到自动驾驶再到移动服务等一系列行业 [2] - 公司产品与资本市场主管认为 在临近财报季之际 交易员将欢迎这些新产品 特别是考虑到标的股票的流动性和波动性 [2]

公司市场表现 - 截至2025年初至今，Nebius Group（NBIS）股价涨幅超过350%，是当前市值至少100亿美元的大型AI股中表现最佳的股票 [1][2] 公司核心业务 - 公司主要专注于AI基础设施，是少数几家能够处理大规模AI处理负载的超大规模服务商之一 [3] - 公司在欧洲、美国和中东运营着七个大型GPU集群 [3] - 主要客户包括内容分发网络和网络安全公司Cloudflare（NET）以及电子商务公司Shopify（SHOP），同时也服务于许多AI初创公司和新兴企业 [4] 公司其他业务与投资 - 子公司Avride开发自动驾驶技术，正与优步（UBER）合作使用自动驾驶机器人从餐厅配送食物，并计划在达拉斯推出机器人出租车服务 [5] - 子公司TripleTen运营一个面向技术工作者的在线教育平台，旨在帮助他们提升技能 [5] - 公司还持有Toloka和ClickHouse两家公司的股权，前者为AI代理和模型开发提供精选数据，后者销售开源数据库管理平台 [6] 公司发展潜力 - 公司是具备爆炸性增长潜力的新兴市场的早期进入者 [8] - 公司首席执行官认为，除了少数大型科技公司外，只有少数新进入者同时拥有技术专长和数十亿美元规模的实力参与该领域，而Nebius是其中之一 [8] - 公司具备百万富翁制造者股票的若干特征，长期可能为投资者创造大量财富 [7][9]

文章核心观点 - 中科院团队提出DriveDPO框架，旨在解决端到端自动驾驶模仿学习中的安全性问题，通过统一策略蒸馏和安全直接偏好优化，在NAVSIM基准上实现90.0的最新最优PDMS，比纯模仿学习提升1.9，比基于分数的最优方法提升2.0 [1][7][8][12][22] 端到端自动驾驶模仿学习的局限性 - 模仿学习仅关注预测轨迹与人类轨迹的几何相似度，但几何距离不等于安全距离，即使轨迹相似，安全性可能差异巨大 [5][11] - 模仿学习使用对称损失函数，对超越或滞后于人类轨迹的偏差给予同等惩罚，但不同方向的偏差对安全影响极不对称，例如紧急刹车时滞后通常更安全，但对称损失无法反映这种风险不对称性 [5][11] DriveDPO框架的技术创新 - 提出统一策略蒸馏方法，将人类模仿相似度与基于规则的安全分数融合为单一监督信号，直接优化所有锚定轨迹的策略分布，而非像基于分数的方法仅为每个候选轨迹独立学习评分函数 [7][17] - 引入迭代式安全直接偏好优化，将监督信号重构为轨迹级别的偏好对齐任务，优先选择既符合人类驾驶习惯又安全的轨迹，抑制看似合理但存在风险的轨迹 [7][8][18] - 设计了两种拒绝轨迹选择策略来构建偏好对，基于模仿的选择策略效果更优，用于识别空间上接近人类参考轨迹但安全性差的轨迹 [19][20][21][24] 实验验证与性能表现 - 在NAVSIM基准数据集上，DriveDPO完整模型在无责任碰撞、可行驶区域合规性、自车进度、碰撞时间等关键安全指标上均取得最佳或次佳表现，最终PDMS达到90.0 [22] - 消融实验表明，采用基于模仿的拒绝轨迹选择策略的模型PDMS为90.0，优于基于距离的选择策略和朴素选择方法 [24] - 模型输入包含多视图相机图像、激光雷达点云、自车状态与导航指令，输出为预定义离散候选轨迹上的概率分布，采用Transfuser作为感知骨干网络进行多模态融合 [14][15][16] 技术局限与未来方向 - 方法依赖PDMS这一预定义的加权复合指标进行安全评估，可能无法完全捕捉复杂驾驶场景中的所有潜在风险因素 [27] - 规则化监督依赖高保真仿真器提供评估分数，受限于规则设计和仿真器精度，且高保真仿真器获取难度大，制约了数据规模与多样性 [27]

核心观点 - 文远知行在阿联酋哈伊马角启动Robotaxi和Robobus试点运营，标志着公司首次进入该酋长国市场，并成为其在阿联酋的第三个运营酋长国 [1][2] - 此次合作是哈伊马角综合交通计划2030的关键里程碑，旨在将自动驾驶技术整合进公共交通系统，为2026年初的全面商业化运营奠定基础 [2][6][7] - 公司作为哈伊马角智慧出行战略的独家合作伙伴及当地首个且唯一的自动驾驶运营商，地位得到强化，并签署了涵盖技术、运营和支持的谅解备忘录以深化合作 [2][8][9] 运营部署细节 - Robobus在哈伊马角快速发展的旅游生活中心Al Marjan岛投入运营，路线覆盖9个站点，连接Mövenpick Resort、Hampton by Hilton及Pullman Hotel等酒店和地标，并计划延伸至Mina岛 [5] - Robotaxi GXR服务于哈伊马角市中心，将自动驾驶出行从旅游区扩展至居民日常生活区域 [5] - 商业运营初期将有安全员随车，完全无人驾驶操作将在后续阶段待监管批准后实施 [6] 战略合作与监管框架 - 此次试点和谅解备忘录的签署基于去年11月哈伊马角酋长对文远知行广州总部的访问，体现了中阿两国在下一代交通领域的紧密合作 [3][9] - 哈伊马角交通管理局正参照国际最佳实践，为自动驾驶出行领域制定监管框架，并培养本地能力以监督实施 [7] - 合作旨在通过提升第一公里和最后一公里的连通性，支持哈伊马角的自动驾驶愿景，并协助制定更广泛部署所需的协议和运营标准 [10] 公司行业地位 - 文远知行是自动驾驶行业的全球领导者和先行者，也是首家公开上市的Robotaxi公司 [11] - 公司的自动驾驶车辆已在全球11个国家超过30个城市进行测试或运营，并且是唯一在七个市场获得自动驾驶许可的技术公司 [11] - 公司凭借WeRide One技术平台，提供从L2到L4级别的自动驾驶产品和服务，满足出行、物流及环卫行业的运输需求 [11]

研究背景与行业痛点 - 高精地图为自动驾驶车辆轨迹预测提供了丰富的结构化信息，是提升预测精度的关键[3] - 高精地图存在制作和维护成本高昂、覆盖范围有限、无法实时更新以应对道路施工或交通事故等动态变化的缺点，成为自动驾驶技术规模化应用的主要瓶颈[1][3] 技术方案与创新 - BEVTraj框架完全无需高精地图，直接在鸟瞰图空间中处理实时原始传感器数据，实现端到端的轨迹预测[1][4] - 该框架采用场景上下文编码器和迭代式可变形解码器两部分，核心创新是引入可变形注意力机制，智能关注BEV特征图中的关键采样点，高效聚合与预测任务最相关的场景上下文特征[7][11] - 稀疏目标候选提案模块直接根据车辆动态和场景上下文预测少量高质量的目标候选点，使预测过程更高效且无需复杂后处理[13] - 解码器包含迭代式轨迹细化过程，利用可变形注意力沿预测轨迹查询BEV特征图，逐步修正和完善轨迹[14] 性能表现与行业影响 - 在minADE10指标上，BEVTraj达到0.9438，优于Autobot的1.1649、MTR的1.0446、Wayformer的0.9877和DeMo的1.0424 [18] - 在minFDE10指标上，BEVTraj为2.0527，优于对比模型[18] - 在另一组数据中，BEVTraj的minADE10为0.6249，与Wayformer的0.5583和DeMo的0.6524表现相当[20] - 该研究验证了无地图方案的可行性，性能可媲美甚至超越依赖高精地图的先进模型，为自动驾驶系统在更广泛区域部署扫除了障碍[22][26] - 框架的高效端到端架构和代码开源为业界提供了有价值的设计范式，将促进无地图感知预测方向的研究[26]