毋庸百万级 3D 标注，模子也能从普通驾驶视频中学会「我方是如何动的」。Wayve 的 LA-Pose 试图把未标预防频里的通顺信号，革新为自动驾驶系统所需的相机位姿算计才调。
视频相连：https://mp.weixin.qq.com/s/XoUvfQQojyE5WXt7VdOsKg?click_id=122
一辆车驶过一段路，它该如何知谈我方刚才在三维空间中如何移动？
对东谈主来说，谜底似乎很自然：看一段行车视频，谈路、车辆、街灯和建筑如安在画面中移动，确实就能判断相机是在直行、转弯、降速，如故停驻。但对自动驾驶系统来说，这是一项中枢几何感知才调。系统不仅要看见场景，还要知谈相机在连气儿帧之间发生了如何的平移和旋转。
当年，锤真金不怕火这类模子往往依赖高质地 3D 真值标注。为越过到这些标注，时常需要 LiDAR、精密标定、重建管线或仿真系统。数据越准，老本越高；老本越高，遮盖的城市、天气寝兵路类型就越有限。模子终末也容易承袭这些数据集自身的界限。
Wayve 的最新估量 LA-Pose 换了一个切入点：先不要求模子平直学习精准 3D 位姿，而是让它从海量未标注驾驶视频里证据「通顺长什么样」。这篇论文已被 CVPR 2026 摄取，竣工题目是 LA-Pose: Latent Action Pretraining Meets Pose Estimation。
视频相连：https://mp.weixin.qq.com/s/XoUvfQQojyE5WXt7VdOsKg?click_id=122
论文标题：LA-Pose: Latent Action Pretraining Meets Pose Estimation
技俩地址：https://la-pose.github.io/
论文地址：https://arxiv.org/abs/2604.27448
Wayve 博客：https://wayve.ai/thinking/la-pose/
机构：Wayve、Simon Fraser University
会议：CVPR 2026
一句话抽象这篇论文
LA-Pose 先从约 1000 万段未标注驾驶视频中自监督学习「潜在手脚」示意，再用极少 3D 标注锤真金不怕火一个轻量级位姿预计头，把视频里的通顺功令革新为准确、高效、可泛化的相机位姿算计才调。
为什么这件事难
相机位姿算计要复兴的是：相机从上一帧到下一帧，到底移动了多远、转了若干角度？这听起来像一个几何问题，但在着实谈路上，情况远比干净数据集复杂。夜间、雨天、地谈、拥堵城市谈路、山路和乡村谈路王人会出现，视觉外不雅变化很大，传统监督锤真金不怕火很难靠有限标注遮盖通盘情况。
LA-Pose 的起点是，着实驾驶视频自身也曾包含了多数通顺陈迹。车辆上前开、转弯、降速、驶入地谈，画面王人会随技巧发生功令变化。问题不一定是「如何标更多 3D 数据」，也不错是「如何让模子先从普通视频里学和会顺」。
中枢范例：先学通顺，再学位姿
图：LA-Pose 的两阶段范例。
LA-Pose 分红两个阶段。
第一阶段是 Latent Action Pretraining。估量团队用约 1000 万段未标注驾驶视频片断进行自监督预锤真金不怕火，让模子学习一种「潜在手脚」示意。不错把它证据为相邻画面之间通顺变化的紧凑编码：车辆是否在左转、右转、直行、降速，画面结构如何随技巧变化，这些信息不需要东谈主工写成标签，而是自然藏在视频序列里。
具体来说，LA-Pose 锤真金不怕火了一个逆向 - 正向能源学系统。模子看到连气儿视频帧后，需要捕捉「刻下画面如何变化到下一帧」的功令。它不知谈车辆的精准速率、航向角或 3D 位姿，也莫得被提供位姿标签；它仅仅通过不雅看多数驾驶视频，逐渐学会哪些视觉变化对应哪些通顺模式。
第二阶段再把这种通顺示意用于位姿算计。估量者冻结预锤真金不怕火得到的通顺编码器，只在其上接一个轻量级位姿预计头，2026世界杯赔率并用极少高质地 3D 标注微调。这个预计头会把潜在手脚诊治为相机位姿，包括相对平移、旋转、视场角和模范。通盘这个词推理历程仍然是前馈式的，因此更接近现实部署对后果的要求。
莫得位姿标签，也能长出通顺结构
图：潜在手脚空间中自然清晰的通顺结构。
这篇论文里最直不雅的铁心之一，是潜在手脚空间我方长出了结构。
当估量者把学到的潜在手脚可视化到二维空间后，相同手脚会自然聚在沿路，不同区域对应直行、左转、右转、罢手等驾驶举止。这证明模子并不仅仅记取画面外不雅，而是在莫得 3D 标注的情况下，学到了具有几何料想的通顺先验。
另一个挑升想的发现是：示意并不是越大越好。LA-Pose 的实验自满，一个 50 维的潜在空间瓶颈，自然不一定最擅长重建画面细节，却比更高维的示意更安妥后续位姿算计。压缩迫使模子丢掉一部分外不雅信息，留住更关节的通顺结构。
铁心：更少标注，更高精度
实验铁心自满，LA-Pose 在 Waymo 和 PandaSet 等自动驾驶基准上，比拟近期前馈式范例获得向上 10% 的位姿精度擢升，同期所需标注数据少了多个数目级。
更遑急的是，在莫得参与锤真金不怕火的 PandaSet 上，LA-Pose 依然向上基线范例，展示出较强的跨数据集泛化才调。关于自动驾驶来说，这一丝很关节：系统不可只在熟练数据集里进展踏实，也要能靠近新的城市、谈路方法和天气条目。
料想：把未标预防频酿成几何才调
视频相连：https://mp.weixin.qq.com/s/XoUvfQQojyE5WXt7VdOsKg?click_id=122
为了更直不雅看到这种泛化才调，Wayve 还展示了 LA-Pose 与 VGGT 在不同着实谈路场景中的对比：雨天高速出口与环岛、德国乡村窄路。 LA-Pose 的价值在于，它把「未标预防频范围」革新成了几何视觉才调。车辆每天在着实天下中产生的视频，自身就包含丰富的通顺信息。唯有模子能从中学到紧凑、可迁徙的通顺示意，再用极少标注把这种示意落到着实模范上，就有可能更变几何感知系统的锤真金不怕火老本和膨胀旅途。
自然，LA-Pose 还不是尽头。Wayve 在博客中提到，模子当今在倒车通顺上仍会出现退化，一个原因是倒车在后锤真金不怕火数据中相对有数。团队合计，下一步需要链接扩大预锤真金不怕火和后锤真金不怕火数据，并把这种逆向能源学预锤真金不怕火拓展到机器东谈主集聚视频、手抓视频等更时常的动态视觉场景。
但这篇使命的信号也曾很了了：几何视觉不一定只可从腾贵标注运转。通顺自身即是监督信号，而着实天下的视频中到处王人有通顺。
结语：通顺自身即是信号
要是 LA-Pose 的地方链接建造，改日的自动驾驶系统也许不错更少依赖为每个城市、每类场景再行构建腾贵 3D 标注集，而是从不休增长的着实驾驶视频中学习更通用的几何先验。
这亦然「Latent Action Pretraining Meets Pose Estimation」这个题指标料想：潜在手脚不再仅仅天下模子或政策集聚里的手脚条目2026世界杯盘口，它也不错成为荟萃视频范围与 3D 几何证据的一座桥。