以Transformer為代表的大模型技術正深刻重塑自動駕駛（Autonomous Driving，AD）領域的研究范式。傳統基于規則或單一模塊化的自動駕駛系統，在面對長尾場景、復雜交互和不確定性環境時，常顯乏力。而端到端自動駕駛大模型，通過海量多模態數據進行預訓練，展現出強大的場景理解、決策規劃和控制生成能力，為實現高階自動駕駛提供了新的路徑。本文旨在對自動駕駛大模型的關鍵技術進行調研，并重點剖析其在通信與自動控制層面的研究進展與挑戰。

一、 自動駕駛大模型的核心架構與范式演進
當前主流的自動駕駛大模型架構主要分為兩類：1）以感知-決策-控制為脈絡的模塊化大模型，即在感知、預測、規劃等關鍵模塊中分別引入大模型提升性能；2）端到端（End-to-End）大模型，將原始傳感器輸入（如攝像頭、激光雷達）直接映射為控制信號（如方向盤轉角、油門/剎車）。后者因其更符合數據驅動原則和潛在的更高性能上限，成為近期研究熱點。典型代表如Wayve的GAIA-1、特斯拉的FSD V12、毫末智行的DriveGPT等，它們通?；谝曈XTransformer（ViT）或擴散模型（Diffusion Model）構建，能夠生成逼真的未來場景并據此做出規劃。

二、 通信技術在自動駕駛大模型中的關鍵角色
自動駕駛絕非單車智能的孤立問題，車與車（V2V）、車與路（V2I）、車與云（V2C）的協同通信是提升系統安全性、效率與智能水平的關鍵。在大模型時代，通信技術的研究重點發生了顯著轉變：

1. 高帶寬、低時延的數據共享：大模型的訓練與協同推理依賴于海量、高質量、實時更新的多車多源數據。5G/5G-Advanced及未來的6G通信技術，為車輛間實時共享高維感知特征（如鳥瞰圖BEV特征）、軌跡預測結果乃至大模型中間層激活值提供了可能，從而實現“群體智能”與協同感知。
2. 模型參數的高效分發與更新：中心云可利用全局數據持續訓練和優化大模型，并通過無線網絡將更新后的模型參數或提示（Prompt）高效、安全地分發給邊緣車輛（聯邦學習范式）。這要求通信協議能支持大模型參數的稀疏化更新和差分隱私保護。
3. 車路云一體化協同決策：路側智能單元（RSU）配備的大模型可以對復雜路口進行全局優化調度，并通過通信鏈路將最優通行策略實時下發至車輛端模型，指導其微觀行為。這構成了一個分層式的大模型決策系統。

三、 自動控制技術與大模型的深度融合
將大模型的輸出轉化為安全、平滑、舒適的車輛控制指令，是閉環中的最后且最關鍵一環。傳統控制方法（如PID、MPC）與學習型控制（如模仿學習、強化學習）正在與大模型深度結合：

1. 大模型作為高級決策器：大模型負責輸出高層次的路徑點序列或行為語義（如“在下一個路口左轉”），而底層則由一個魯棒性強的傳統控制器（如模型預測控制MPC）負責軌跡跟蹤與穩定控制。這種分層結構兼顧了智能與安全。
2. 大模型直接生成控制信號：端到端大模型直接回歸方向盤、油門和剎車的連續值。其挑戰在于控制動作的平滑性、安全性以及對物理約束的滿足。當前研究通過引入基于物理的損失函數、將控制信號離散化為詞元（Token）融入語言模型、或利用擴散模型生成滿足多重約束的最優控制序列來應對。
3. 基于世界模型的強化學習控制：大模型可充當“世界模型”，預測自身動作在環境中的長期后果。智能體（控制器）在此世界模型中進行“想象”演練和策略優化（如Dreamer算法），從而學習到更安全、高效的駕駛策略，并大幅提升數據利用效率。

四、 挑戰與未來展望
盡管前景廣闊，自動駕駛大模型在通信與控制層面仍面臨嚴峻挑戰：

1. 通信可靠性：在惡劣天氣、隧道、城市峽谷等復雜信道環境下，如何保證關鍵模型數據與指令的可靠、低時延傳輸，是V2X通信必須解決的工程難題。
2. 安全與合規性：大模型的“黑箱”特性使其決策過程難以解釋，在發生事故時歸責困難。如何構建可驗證、符合交通法規且具備安全邊界的大模型控制策略，是邁向商用的前提。
3. 計算與能效：大模型推理耗能巨大，對車載計算平臺構成壓力。如何設計輕量化模型架構，并結合邊緣計算與云計算進行任務協同分配，是工程落地的關鍵。
4. 仿真與測試驗證：構建高保真、可擴展的仿真環境，用于大規模測試和評估大模型在極端場景下的性能與安全性，已成為不可或缺的研發環節。

自動駕駛大模型將朝著多模態理解更精準、決策邏輯更可解釋、車路云協同更緊密的方向發展。通信技術將不僅承擔數據傳輸管道職能，更將演變為分布式神經網絡的一部分；而自動控制則將更深地融入學習框架，形成從感知到執行的統一、智能、安全的“神經控制器”。這一融合進程，將持續推動自動駕駛技術邁向真正的L4/L5級無人化。