空间智能
空间智能涉及驾驶场景中的空间理解、推理和拓扑分析，旨在提升车辆对道路环境的感知能力。以下是相关论文和开源算法：
SURDS: Benchmarking Spatial Understanding and Reasoning in Driving Scenarios with Vision Language Models
- 描述：该论文提出了一个基准测试框架，用于评估视觉语言模型在驾驶场景中的空间理解和推理能力，帮助量化模型在复杂环境下的表现。
- 论文链接: arXiv
- 代码链接: GitHub
TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving
- 描述：专注于时间维度上的车道段拓扑推理，通过分析车道变化和关系，增强自动驾驶系统在动态道路环境中的决策鲁棒性。
- 论文链接: arXiv
- 代码链接: GitHub
物理智能
物理智能关注车辆对物理世界的感知和建模，包括3D物体检测和高精度地图构建，以提高安全性和准确性。
Collaborative Perceiver: Elevating Vision-based 3D Object Detection via Local Density-Aware Spatial Occupancy
- 描述：该算法通过引入局部密度感知的空间占用模型，提升了基于视觉的3D物体检测性能，特别适用于密集交通场景中的目标识别。
- 论文链接: arXiv
- 项目链接: GitHub （修正空格）
MapDiffusion: Generative Diffusion for Vectorized Online HD Map Construction and Uncertainty Estimation in Autonomous Driving
- 描述：利用生成扩散模型进行矢量化的高精度地图在线构建，并估计不确定性，为自动驾驶提供实时、可靠的环境地图支持。
- 论文链接: arXiv
- 项目主页: arXiv （未提供代码链接，保留论文链接）
世界模型
世界模型聚焦于构建意图感知的物理潜在模型，实现端到端自动驾驶导航，模拟真实世界的动态变化。
World4Drive: End-to-End Autonomous Driving via Intention-aware Physical Latent World Model
- 描述：提出了一种端到端自动驾驶框架，通过意图感知的物理潜在世界模型，整合驾驶意图和环境动态，提升导航的准确性和适应性。
- 论文链接: arXiv
- 项目主页: GitHub
OmniNWM: Omniscient Driving Navigation World Models
- 描述：开发了全知驾驶导航世界模型，强调在复杂场景中的全局感知和决策优化，支持车辆在多变环境中的鲁棒导航。
- 论文链接: arXiv
- 代码链接: GitHub （修正空格）
总结
这些资源涵盖了2025年自动驾驶领域的前沿研究，从空间推理到物理建模和世界模拟，提供了丰富的开源工具和理论框架。建议用户通过链接深入探索论文和代码，以应用于实际项目或进一步研究。如果您需要更详细的解读或特定应用建议，请随时补充信息！
