IEEE Open Journal of Vehicular Technology (OJVT) 是一本开放获取的全电子期刊，发表原创高质量论文，涵盖移动无线电、机动车辆和陆地交通领域电气和电子工程的理论、实验和操作层面。我们的期刊不仅欢迎原创高质量论文，也欢迎以行业为中心的出版物，重点关注研究成果并提出对进行类似研究的人员有用的想法。

本月第二篇月度专题文章由来自 Zoox Inc. 的业界专家撰写，综述了基础模型(Foundation Models)如何应对自动驾驶感知中的关键挑战，包括泛化能力不足、可扩展性受限，以及对分布偏移的鲁棒性不足等问题。

Foundation Models for Autonomous Driving Perception: A Survey Through Core Capabilities
Rajendramayavan Sathyam; Yueqi Li
Published in Volume 6, IEEE Open Journal of Vehicular Technology
https://ieeexplore.ieee.org/document/11146457

自动驾驶系统需要理解一个持续变化且高度复杂的现实世界，包括异常道路结构、恶劣天气以及不完整的传感器数据等各种挑战。本文综述了如何构建面向自动驾驶感知的基础模型，以实现比传统面向单一任务的方法更具通用性、适应性和鲁棒性的感知系统。

论文的一项重要贡献是提出了一个基于核心能力的分析框架，将自动驾驶实际应用所需的能力归纳为四个方面：通用知识、空间理解、多传感器鲁棒性和时序理解。通用知识使车辆能够更有效地应对多样化目标和罕见场景；空间理解帮助系统构建更加丰富的三维环境表示，从而提升导航安全性；多传感器鲁棒性提高了系统在传感器数据存在噪声或退化情况下的可靠性；时序理解则使系统能够跟踪运动目标、处理遮挡，并理解场景随时间的动态演化。

与仅按模型或方法类别组织现有研究不同，本文从核心能力的视角重新梳理了最新研究进展，将现有方法与具体模型发展目标相联系，为未来如何设计更符合真实世界自动驾驶需求的感知系统提供了具有实践意义的指导。