24 年 11 月来自华中理工和地平线的论文“DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving”。扩散模型已成为机器人策略学习的强大生成技术，能够对多模式动作分布进行建模。利用其能力实现端到端自动驾驶是一个很有前途的方向。然而，机器人扩散策略中的众多去噪步骤以及交通场景更具动态性和开放性，对实时生

24年12月来自北大、清华和鉴智机器人的论文“GPD-1: Generative Pre-training for Driving”。对驾驶场景的演变进行建模对于自动驾驶系统的评估和决策非常重要。现有的大多数方法都侧重于场景演变的一个方面，例如地图生成、运动预测和轨迹规划。本文提出一个统一的生成式驾驶预训练 (GPD) 模型，无需额外的微调即可完成所有这些任务。用自车、智体和地图tokens表示每

24年6月来自无问芯穹、清华大学和上海交大的论文“A Survey on Efficient Inference for Large Language Models”。

23年9月论文“VOYAGER: An Open-Ended Embodied Agent with Large Language Models“，来自英伟达和其他几所高校。

24年2月论文“LimSim++: A Closed-Loop Platform for Deploying Multimodal LLMs in Autonomous Driving“， 来自上海AI实验室和浙江大学。

23年9月底Waye在arXiv上上传了其GAIA-1模型的技术论文“GAIA-1: A Generative World Model for Autonomous Driving“。

24年7月来自清华的论文“Multi-Agent Causal Discovery Using Large Language Models”。

数据是具身人工智能或具身智能（EI）发展的瓶颈。本文想阐明什么数据对于 EI 中的动作/行为训练是必不可少的。首先简要概述了人工智能在算法、计算和数据方面的发展（以及人工智能的分级）。然后重点介绍具身人工智能的动作/行为学习方法（包括世界模型和视觉-语言-动作模型）。对于数据收集，调查了机器人的类型和灵活性，然后比较了机器人模拟平台和机器人或人类的真实动作数据捕获平台。关于人类数据，研究以自我为人

24年2月地平线的论文“VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning”。

24年10月来自伦敦大学学院、利物浦大学、上海交大、香港科技大学（广州分校）和西湖大学的论文“OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models”。