将自动驾驶建模为生成式序列预测问题，通过结构化latent空间实现场景预测与规划的统一生成，是端到端方法的新范式。

提出LiDAR4D，用4D高斯表示重建动态驾驶场景的LiDAR点云，实现高质量时空一致的点云生成，可用于仿真和自动标注。

提出DriveVLM框架，将视觉语言大模型融入自动驾驶全链路，通过场景理解、场景分析和分层规划三阶段实现复杂场景推理决策。

提出3D占用栅格作为统一感知表示，可描述任意形状物体的精细3D结构，弥补传统3D框对不规则障碍物建模的不足。

提出全向量化驾驶场景表示，将agent运动和地图元素建模为显式向量实例，避免密集栅格化，实现高效端到端规划。

Wayve提出GAIA-1，利用视频、文本和动作输入生成逼真驾驶场景视频，是首个大规模自动驾驶世界模型，可用于仿真和数据增强。

Google DeepMind提出RT-2，将大规模VLM直接微调为机器人动作策略模型（VLA），展示了互联网知识向具身智能迁移的可行性。

提出统一自动驾驶框架UniAD，通过query-based设计将感知、预测、规划联合优化在单一网络中，在nuScenes上实现SOTA端到端驾驶性能。

提出MapTR，通过置换等价建模和分层query设计，实现高效的端到端在线矢量化高精地图构建，消除对离线HD Map的依赖。

通过时空Transformer构建统一BEV表示，用空间交叉注意力做2D-to-3D投影，时间自注意力融合历史帧，支持3D检测和地图分割。