本文提出将不确定性作为深度学习模型在自动驾驶轨迹预测中的预期功能安全（SOTIF）评估标准。针对ISO 21448标准要求，研究采用基于深度确定性不确定性（DDU）的单前向传播方法量化认知不确定性，该方法在资源受限环境下更具优势。实验利用CARLA模拟器数据构建城市和高速公路两种场景，结果表明在未经训练的高速公路环境中，模型表现出更高的认知不确定性，能有效识别功能缺陷。此外，不确定性还可作为触发系

承受700度高温的耐火芯片问世；特斯拉携手英特尔打造AI芯片厂；轻舟智航世界模型助力自动驾驶新车交付

斑马智能将发布AutoClaw汽车智能体方案；中国汽研与蔚能深化电池合作；蔚来新公司布局AI与车规芯片业务；创世架构及双旗舰车规芯片发布

Momenta首发R7世界模型；光庭信息发布AI原生汽车软件开发平台；斑马东风联合上车智能体；蔚来推进900V架构升级

Momenta首发R7世界模型；光庭信息发布AI原生汽车软件开发平台；斑马东风联合上车智能体；蔚来推进900V架构升级

华为发布智擎品牌推出运动域全新技术；特斯拉斥30亿美元建芯片厂；千里科技发布全新AI+车L4智驾技术蓝图

本文提出将不确定性作为深度学习模型在自动驾驶轨迹预测中的预期功能安全（SOTIF）评估标准。针对ISO 21448标准要求，研究采用基于深度确定性不确定性（DDU）的单前向传播方法量化认知不确定性，该方法在资源受限环境下更具优势。实验利用CARLA模拟器数据构建城市和高速公路两种场景，结果表明在未经训练的高速公路环境中，模型表现出更高的认知不确定性，能有效识别功能缺陷。此外，不确定性还可作为触发系

自动驾驶运动规划中的深度强化学习研究综述 摘要：本文系统综述了深度强化学习(DRL)在自动驾驶运动规划领域的应用现状。研究涵盖了运动规划的分层结构(行为层、运动规划层和控制层)，分析了车辆建模、仿真环境、动作空间设计、奖励机制和观测空间等关键要素。文章按任务复杂度分类讨论了跟车行驶、车道保持、汇入车流和交通环境行驶等典型场景的DRL解决方案，比较了不同方法的优劣。同时指出了当前研究面临的挑战，包括

斑马智能将发布AutoClaw汽车智能体方案；中国汽研与蔚能深化电池合作；蔚来新公司布局AI与车规芯片业务；创世架构及双旗舰车规芯片发布

全球车企电动化转型战略选择现显著分化；通用汽车引入AI设计工具加速新车研发流程；现代汽车战略重组加大中国电动化市场投资