Empowering Internet of Vehicles with Embodied Intelligence: A Survey of Technologies, Evaluation, and Outlook
本综述通过系统地分析感知、决策与控制的闭环集成，并评估现有技术、数据集、指标及未来挑战，以增强车辆的适应性与安全性，提出了一个通过具身智能赋能车联网的全面框架。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一辆不仅仅是在观察前方道路，而是能像人类驾驶员一样理解周围世界的汽车。它不仅仅是在处理流式数据点，它能感受到交通的流动，预判行人的犹豫，并根据从盲区汇入车辆的细微变化来调整车速。这就是车联网（Internet of Vehicles）的承诺：一个汽车、红绿灯和路侧传感器相互交谈，从而构建出共享道路图景的系统。然而，尽管拥有如此高的连通性，目前的系统往往运行在一个破碎的循环中。它们感知危险、做出决策并执行动作，但很少利用动作的结果来立即修正自身的理解。如果一辆车误判了间隙并过度刹车，系统可能直到下一个周期才会意识到其错误，导致错误像歌曲中未被纠正的音符一样不断堆积。在“看见世界”与“实时理解世界”之间，依然存在着一道显著的鸿沟，这也是实现安全自动驾驶的重要障碍。
由贵州大学研究人员及其国际同行开展的一项新调查，试图通过将“具身智能”（embodied intelligence）的概念引入车联网来弥补这一差距。作者认为，这些功能不应被视为工厂流水线上独立的步骤，而必须形成一个连续的闭环。在这种观点下，车辆是一个“具身智能体”（embodied agent），是一个不断与环境互动的物理实体。它观察、思考、行动，然后立即利用该行动的反馈来更新对世界的理解。这个循环每秒重复数千次，使车辆能够即时纠正错误，并适应繁忙街道上混乱且多变的状态。这份于2026年11月9日发布的调查报告，勾勒出了构建这一闭环所需的技术路径——从车辆如何共享信息到它们如何从错误中学习——为从简单的信息共享迈向真正的、具有适应性的道路协作提供了路线图。
研究人员首先将现有的庞大技术版图组织成四个既独立又相互关联的阶段：感知、认知、决策和执行。在第一阶段“感知”中，该调查详细介绍了车辆如何超越自身传感器来构建完整的道路图景。现代系统不再仅仅依赖安装在车上的摄像头或雷达，而是正在学习结合来自多个来源的数据，包括其他车辆上的摄像头和路灯上的传感器。这种协同感知使车辆能够“看穿”转角和密集的车流，填补了长期困扰自动驾驶的盲区。调查强调了这些系统如何对齐不同角度和不同时间的数据，从而缝合出一个比任何单辆车独自实现都要可靠得多的统一道路视图。
一旦车辆对世界有了清晰的视野，它就必须理解正在发生什么，这是作者称之为“认知”的阶段。在这里，车辆从单纯检测物体转向解释它们的意图和交通规则。它不仅在问“那是什么？”，还在问“它接下来会做什么？”以及“交通法规是怎么规定的？”调查回顾了车辆如何通过使用历史数据和共享信息来预测行人、骑行者和其他驾驶者的行为，从而推测其未来动作。这一阶段还涉及记忆；车辆会回溯过去的交互并从中学习，构建一个随着旅程持续而不断演进的交通环境心理模型。正是这个认知层，让汽车能够理解一名正在打转向灯的驾驶员很可能会移动，或者一群在路缘等待的行人即将过马路。
在对场景有了扎实的理解后，车辆必须决定该做什么。调查解释说，车联网中的决策不仅仅是关于单辆车的路径选择，更是关于与其他车辆的协商。在联网环境下，车辆可以协调彼此的动作，例如在交叉路口商定谁先通行，或者如何在狭窄的间隙中平滑地汇入。作者研究了这些决策是如何做出的，涵盖了从遵循严格交通法规的基于规则的系统，到应对复杂、不可预测情况的高级学习系统。这里的关键发现是，有效的决策需要车辆与周围环境进行不断的对话，以确保所选动作不仅安全，而且在考虑到车辆物理极限及他人行为的情况下是可行的。
最后，车辆必须执行其决策，将计划转化为物理运动。执行阶段是计划真正落实到物理层面的过程。调查详细介绍了控制系统如何将高层决策转化为精确的转向、加速和制动指令。它强调这一步骤必须与前面的阶段紧密耦合；如果车辆稍微偏离航线，系统必须立即感知到这种偏差，并相应地调整其理解和计划。研究人员强调了安全机制的重要性，这些机制作为最后的检查，确保即使决策有误，物理执行仍保持在安全范围内。这种闭环反馈——即行动的结果能立即告知下一个想法——正是具身智能的核心。
该调查还深入审视了研究人员可用的工具，回顾了用于测试这些系统的数据库和指标。它指出，尽管存在许多模拟和测试用例，但缺乏能够捕捉协同驾驶完整复杂性的现实世界数据。作者指出，目前的评估往往侧重于孤立的任务（例如检测单个物体），而非整个“观察、思考、行动”的循环。他们认为，要取得真正的进步，该领域必须转向测试这些系统在连续的现实世界循环中的表现，因为其中一个阶段的错误可能会连锁反应到下一个阶段，最终导致失败。论文建议，未来的进展将取决于开发更好的方法来处理不确定性，预测不同城市和文化背景下的他人意图，并从标准训练数据中不常出现的罕见、困难的驾驶场景中学习。
最终，这份调查报告成为了一个正在发生范式转移的领域的全面指南。它将讨论的重心从仅仅将汽车连接到互联网，转向创造真正对环境“有感”的车辆。通过将车辆定义为处于感知与行动连续循环中的具身智能体，作者为研究人员和工程师提供了一条清晰的前行之路。这项工作表明，智能交通的未来不在于更快的计算机或更多的传感器本身，而在于将这些元素无缝集成到一个能够实时学习、适应和自我纠正的系统中。随着技术的成熟，目标是创造一种不仅仅是自动化的，而是真正智能的驾驶体验，能够像熟练的驾驶员一样，流畅且敏锐地应对充满变幻的人类世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。