特斯拉自动驾驶负责人Ashok Elluswamy表示，无监督FSD可能于2027年第二季度开始在美国部分区域向客户车辆推送，这些客户随后可将车辆加入Robotaxi网络。
机器人行业洞察
今日精选
The robotics journal行业消息
特斯拉 2026 年第三季度财报电话会主演讲的精简视频按时间戳列出议题：00:00 第三季度势头与需求、00:16 FSD 扩张与新产品、01:21 储能增长展望、01:46 Robotaxi Cybercab 规模化、02:46 Optimus 量产现实核查、05:19 Terafab 芯片路线图、06:29 合并问题与收尾、06:57 Vaibhav 第三季度亮点、07:16 车辆需求与 Model Y 胜出、08:07 FSD 选装率与利润率、09:15 能源与服务业务表现、10:17 Robotaxi 网络愿景、11:17 投资周期与财务、12:15 资本开支计划。
特斯拉CFO在第三季度财报电话会上表示，Robotaxi目前尚未达到每英里30美分的成本水平，但存在实现路径。利用率正在逐周攀升，Cybercab将在年底前进入更多城市。
arXiv 2604.24033v2 提出事件相机状态估计基准框架 EvSLAM，覆盖多种数据采集平台、极端光照场景与挑战性运动模式，并给出面向移动机器人的高速机动严格定义及新评估指标。作者指出，现有事件相机 VO/VIO 方法多局限于贴近结构的正面平行快速晃动或纯三自由度旋转假设，无法泛化到线速度与角速度均可能较大的 6-DoF 剧烈机动，且当前公开数据集存在不足。该框架对 SOTA 方法进行基准测试，用于评估事件相机方案的实际运行极限。
该研究提出 ProTrav 概率地形表示方法：先用稀疏变分高斯过程（SVGP）从观测重建概率高程场，再通过后验函数空间采样生成空间相关的地形实现，将高程不确定性经几何特征传播至可通行性代价，从而在任意位置得到可通行性代价分布，以均值和标准差分别量化期望代价与不确定性。研究以基于矩的上置信界（UCB）定义风险项并接入 MPPI 控制器。仿真实验中，该方法在不同地形上的导航成功率超过 90%，基线低于 40%，同时减小了姿态变化；并在真实越野地形上完成了机器人验证。
研究提出 Cartender 方法，从真实驾驶记录中构建反事实分支：由视觉语言模型提出替代未来及对应选择指令，不受支持的指令作为负标签，无需模拟器。方法学习场景-语言兼容性分数调节轨迹生成，并用奖励训练的语言残差对候选重排序。在 WOD-E2E 上，3,603 个可行指令条件下最佳提案 RFS 为 8.642；8,974 个被接受提案平均 RFS 8.203，高于匹配记录轨迹的 7.906，67% 提案得分超过记录对应项。同场景配对指令成功率从 23.67% 升至 57.00%，RFS 从 6.32 升至 7.10，不可行指令执行率从 53.36% 降至 14.18%。
研究提出专家引导强化学习（EGRL）训练策略：将强化学习仅作为优化工具，用基于专家日志数据的轨迹距离奖励引导闭环模仿学习。受控实验显示，性能提升的很大一部分来自训练过程而非模型规模与复杂度。据此构建的轻量级 MLP 策略 DriveMLP 在 nuPlan Val14 Reactive 基准上得分 86.51，较此前最佳模仿学习规划器 Flow Planner 提升 3.2 分，推理速度提升超过 15 倍，代码已在 GitHub 开源。
arXiv 于 2026 年 10 月发布的新论文 VeriCalib 将激光雷达-相机外参标定建模为可验证估计问题，输出“标定状态”而非单一残差均方根误差。方法采用两级外参补偿机制，并用结构化协方差联合传播相机与激光雷达标靶特征的不确定性、从残差估计方差分量，进而解耦旋转与平移以给出各方向精度并引导数据采集。论文还提出视图内与跨视图一致性检查，以及扩展到外参的最小可检测偏差界。
针对球形移动建图系统（SMMS）在快速旋转和地面覆盖有限条件下的里程计难题，作者提出两种基于RANSAC的地面法向量估计方法：单帧扫描估计（法向量评分+多步验证）和基于LiDAR-惯性里程计（LIO）利用全局3D地图的估计。在多个真实数据集上以地面激光扫描仪为真值评估，LIO方法在精度与鲁棒性上显著优于单帧方法；将地面法向量估计融入运动模型可改善位姿估计，支持复杂危险环境中的自主导航。
作者指出，基于CARLA的端到端驾驶主流基准Bench2Drive，其舒适度指标改编自nuPlan，存在实现错误和奖励静止的分段方案，在八个模型上与静止时长的相关系数达r=0.97；作者提出基于距离的修正指标，将该相关性降至r=0.06，并发现原指标报告的驾驶分数与舒适度强权衡在相同行驶速度下比较时不再可检测。作者还发现评测框架的两个导航信号陷阱：默认控制器可能用指向路线目标点的角度替换模型自身转向，评测时目标点可能与训练时显著不同，并在UniAD和VAD上演示了二者影响差异明显。修复将以独立代码发布，可直接从记录轨迹获得修正后的舒适度分数，无需重跑闭环仿真。
该博士论文提出离线训练神经隐式表征来近似Hamilton-Jacobi可达性值函数，使基于优化的控制器能在未知动态环境中实时获得安全信息。方法利用值函数等于直接计算的约束（如符号距离）减去非负动力学修正项的性质，仅学习修正项以保证近似误差下障碍物仍位于预测安全集之外。前四种方法分别将学习函数用作模型预测控制的终端约束和控制屏障函数安全滤波器的屏障候选，覆盖静态环境与数量可变的移动障碍物；地面与空中机器人的仿真和硬件实验显示其避碰效果优于几何与手工设计基线，尤其在短时域和移动障碍物场景。第五种方法用可并行化的顶点树搜索替代网格离线求解器，可为最多13个状态的系统生成屏障候选。
论文提出 CoGaussian，一个基于开放词汇高斯表示的协同语义占据预测框架，将场景表示为一组与基础模型对齐的稀疏三维高斯，作为多智能体之间通信与融合几何、语义信息的紧凑表示。该方法针对现有协同语义占据方法依赖稠密三维体素标注、且只能识别预定义语义类别的问题。在 Semantic-OPV2V 基准上，CoGaussian 优于现有的开放词汇单智能体方法。
针对在线LiDAR-相机标定中因训练数据外参多样性不足导致的“数据集捷径”问题（网络过拟合固定标称外参、实机泛化差），研究者提出数据生成框架SynCalib：利用带深度真值的全向图像数据集，在严格外参约束下合成多模态标定数据。实验显示合成数据提升了典型学习型标定网络的泛化性与鲁棒性，并在多种相机-LiDAR配置的真实场景中验证了仅用合成数据训练模型的零样本迁移能力。数据生成代码、预训练模型与在线基准数据集将公开。
该研究提出一种验证引导的训练框架，通过安全约束的概率枚举检测前向不变性违规，即学习到的证书错误地将不安全行为归类为安全的状态，从而生成比标准对抗攻击方法更精确刻画失败边界的紧凑反例集。用该表示微调预训练的 HJ 值函数，在所有测试基准上得到更大的认证区域并缩短认证时间。作者还基于精炼后的证书引入屏蔽机制，在 Isaac Sim 物理仿真和真实自动驾驶竞速实验中实现零安全约束违规，而标称控制器和基于 LQR 的备份策略均出现违规。
研究提出以智能体为中心、物理感知的框架，从NGSIM US-101、highD、exiD多源轨迹数据中发现跟驰法则，得到自适应均衡响应模型（AERM），将状态依赖的相对速度响应与间距依赖的均衡速度恢复相耦合。AERM具有解析的均衡速度-间距与流量-密度关系，并推导了零延迟形式的稳定性条件。在上海自然驾驶数据、NGSIM I-80和Waymo轨迹上对比七个经典跟驰模型，AERM在轨迹特定校准下间距RMSE分别降低9.11%、7.59%和21.73%，在数据集级共享参数下仍具竞争力。
该论文提出 RLTrajGen-PPMPC-CBF 分层框架，用于自动驾驶车辆在环岛场景下的安全、平顺与舒适导航，以解决强化学习逐点决策与 MPC 轨迹级优化之间的结构性不匹配问题。框架采用预设性能约束（PPC）使参考轨迹与控制输出逐步稳定收敛，并通过控制屏障函数（CBF）层提供实时安全修正并反馈至 RL 过程。在 MetaDrive 仿真环境中，该方法相较最优基线将平均成功率提升 6.25%、运动病剂量值（MSDV）降低 65.87%，同时加快训练收敛。
论文在HighwayEnv测试台上受控评估LLM驾驶智能体的经验记忆，发现已报告的增益主要来自预热池抽样，且未超过token匹配填充对照。