点击下方卡片，关注“自动驾驶之心”公众号
戳我->领取自动驾驶近30个方向学习路线
端到端VLA现在的壁垒确实太高了，无论是学术界还是产业界的同学。
量产的性能模型要千卡千万Clips，测试版本至少也要百万Clips级别。开源数据集动辄要32卡的A800/A100，实验成本实在是太高了。
能不能用四卡或者八卡冲一下端到端VLA的方向？
肯定是可以的！作为当下 AI 领域最热门的交叉研究方向，VLA 融合了多模态大模型（LMMs）、生成式 AI 与复杂决策控制。无论是世界模型、扩散模型还是强化学习，都还有很多的切入点，均是极易产生创新性成果并发表顶级会议论文（如 CVPR, NeurIPS, ICRA）的方向 。
很多同学想低成本入行端到端VLA方向，预算不够也能入坑。
这一点，我们做到了！
自动驾驶之心联合中科院大佬，为大家解决自动驾驶入行难、找不到研究方向、不会写论文的痛点和难点。
paper多，想入坑的人也多了起来......
最近有同学后台留言，导师不熟悉这个领域，都是自己趟坑，从数据到算法，再到训练，一直跑不出效果，也没好的idea～
端到端VLA作为目前的研究热点，还有很多问题没有解决，确实是发论文的好方向。而这里面可研究的方向有很多，扩散模型、强化学习、结合世界模型......
端到端VLA是一个集大成的算法模型，不是单点trick。BEV感知、扩散模型、大语言模型、强化学习，都需要掌握。
我们发现一个现实问题：大量同学只有一部分的理论基础，但缺乏较全面的算法经验。有的同学甚至连论文经验都没有......
为此，自动驾驶之心联合业内深耕端到端VLA领域的老师，推出了第二期端到端VLA的科研辅导小班课，每期6个人，招满开课，先到先得。
更多内容欢迎咨询小助理微信：paperguidance了解更多～
这门课程的目标不是“再讲一遍论文”，而是：帮你把数据 → 端到端 → VLA → 世界模型 → 扩散模型 → 强化学习跑通少踩坑，把“别人半年踩的雷”压缩到数周
课程的目的是辅导端到端VLA方向的同学展开科研，形成论文～
课程大纲
提供数据集，提供Baseline代码。
Week1：自动驾驶范式演进与 VLA 崛起
熟悉目前自动驾驶领域最新的技术方向
Week2：自动驾驶中的 VLM/LLM 基础架构
掌握自动驾驶中大语言模型的基础架构
Week3：VLA数据集构建与评测基准体系
掌握VLA数据集的构建，以及基本的评价体系
Week4：端到端VLA核心模型架构
熟悉基本的端到端VLA模型架构（结合EMMA、SimLingo, LMDrive 、 CarLLaVA 、ADriver-I 、DiffVLA等算法详解统一的端到端VLA自动驾驶模型
Week5：双系统VLA模型架构
掌握双系统VLA模型的架构（结合DriveVLM-Dual详解快慢系统）
Week6：端到端VLA仿真实验环境搭建
搭建VLA仿真环境
Week7：世界模型与生成式VLA
了解如何将世界模型使用在自动驾驶
Week8：基于扩散模型的端到端VLA
了解如何将扩散模型使用在自动驾驶
Week9：基于强化学习的端到端VLA
了解如何将强化学习使用在端到端自动驾驶（结合diffusiondrive-v2讲解）
Week10：端到端VLA中长尾规划处理
掌握如何优化自动驾驶规划中长尾问题
Week11：端到端VLA创新点（一）
结合每位同学背景提供创新点
Week12：端到端VLA创新点（二）
结合每位同学背景提供创新点
Week13：论文选题和框架搭建
讲解论文撰写框架和体系
Week14：课题汇报与投稿意见
讲解关于论文选会选刊、投稿的方式
辅导老师介绍
Jason导师：毕业于C9高校，现任职于中国科学院某研究所，专注于端到端自动驾驶算法的研究与应用，参与或者主导多项算法研究课题，此外参与了多项国家级重大项目。目前的研究方向包括基于VLA的自动驾驶智能规划算法研究等。此外，还与多家智能驾驶企业有关算法方面的合作，涉及端到端感知、多任务学习、传感器多模态融合及占用预测等自动驾驶技术的应用。已发表多篇国际期刊会议论文，以及多项专利，具有丰富的指导经验，目前已指导20余名学员。
课程特色
本课程致力于为学生构建从底层原理到学术前沿的完整知识图谱。课程内容涵盖了从早期的视觉-动作（VA）架构到现代 VLA 框架的演进 ，重点解析以下核心模块：
全栈内容覆盖：深入探讨强化学习在决策对齐中的应用 、扩散模型在多模态轨迹生成中的实现 ，以及利用世界模型进行场景“白日梦”式推理的预测动力学 ；
实战与科研引导：课程不仅系统梳理代表性数据集（如 nuScenes, Bench2Drive等）与评估指标 ，更重要的是为学生提供创新的Idea 激发。我们将探讨如何解决 VLM 实时性瓶颈、降低语言幻觉风险以及增强长时程时空相干性等待攻克的科研难题 ；
论文写作与技能提升：通过对前沿 SOTA 模型（如 AutoVLA, DriveLM, UniAD）的深度拆解 ，本课程将指导学生掌握如何构建严谨的研究架构、设计对比实验以及撰写具备学术竞争力的自动驾驶论文。
通过本课程的学习，你将不再仅仅是新技术的追随者，而将成为具备定义下一代智能驾驶系统能力的开拓者。
学习成果与预期收获
经典论文、前沿论文和代码实现——创新点、baseline、数据集——选题方法、实验方法、写作方法、投稿建议。
2-4周【基础先修课】+ 12周【在线小组科研】+ 2周【论文指导】+10周【论文维护期】；
获得对经典及前沿的典型论文的分析方法，理解重点算法与原理、清晰不同算法的优劣势，也促使自己对研究idea的思考；
即使自己没有想到合适的idea，也能得到老师提供的idea从而进行后续的研究过程（导师会给每位同学都准备一个idea）；
获得Coding能力的增强，在老师准备的baseline代码和可用数据集上更高效展开研究和实验工作；
获得论文写作、自查、修改的方法论，以及关于投稿的⼀些建议；
撰写出一篇论文初稿（自己完全投入课程的学习与实践中，将很有可能会产出一篇不错的论文）。
报名方式
课程名额仅限6名，满4人开课。
底部联系小助理微信报名，辅导老师需要1v1面试，筛选通过后，进入课题。时间安排：14周集中辅导+8周维护。
硬件与基础要求
自动驾驶领域研究方向，推理要求4090以上算力，训练算力自备（建议4卡/8卡4090，可以租借）；
一定的pytorch和python基础，能够自己修改代码；
跑过基础的自动驾驶算法（UniAD、transfuser等）
入学基础先修课（随到随学）：补充基础知识、强化后期课程理解能力，减轻学习负担
学习要求
每周上课前按时阅读相关资料并完成相关作业。
作业必须在规定时限内完成。
课上积极参与讨论、交流。
应该全勤。若晚交作业、上课请假等必须提前1日通知班主任和导师并说明理由。
保持学术诚信，拒绝剽窃。
每次课后自学时长至少1-2小时。
其他要求（optional）
咨询我们
无论您是希望在学术界继续深造，还是计划在工业界应用自动驾驶技术，本课程都将为您提供坚实的理论基础、实践经验和独立研究能力。
帮助您在这一快速发展的前沿领域中脱颖而出。加入我们，从学术新手到自动驾驶研究者，只需14周！
更多内容欢迎咨询小助理微信：paperguidance了解更多～
