以Transformer为代表的大模型技术正深刻重塑自动驾驶（Autonomous Driving，AD）领域的研究范式。传统基于规则或单一模块化的自动驾驶系统，在面对长尾场景、复杂交互和不确定性环境时，常显乏力。而端到端自动驾驶大模型，通过海量多模态数据进行预训练，展现出强大的场景理解、决策规划和控制生成能力，为实现高阶自动驾驶提供了新的路径。本文旨在对自动驾驶大模型的关键技术进行调研，并重点剖析其在通信与自动控制层面的研究进展与挑战。

一、 自动驾驶大模型的核心架构与范式演进
当前主流的自动驾驶大模型架构主要分为两类：1）以感知-决策-控制为脉络的模块化大模型，即在感知、预测、规划等关键模块中分别引入大模型提升性能；2）端到端（End-to-End）大模型，将原始传感器输入（如摄像头、激光雷达）直接映射为控制信号（如方向盘转角、油门/刹车）。后者因其更符合数据驱动原则和潜在的更高性能上限，成为近期研究热点。典型代表如Wayve的GAIA-1、特斯拉的FSD V12、毫末智行的DriveGPT等，它们通常基于视觉Transformer（ViT）或扩散模型（Diffusion Model）构建，能够生成逼真的未来场景并据此做出规划。

二、 通信技术在自动驾驶大模型中的关键角色
自动驾驶绝非单车智能的孤立问题，车与车（V2V）、车与路（V2I）、车与云（V2C）的协同通信是提升系统安全性、效率与智能水平的关键。在大模型时代，通信技术的研究重点发生了显著转变：

1. 高带宽、低时延的数据共享：大模型的训练与协同推理依赖于海量、高质量、实时更新的多车多源数据。5G/5G-Advanced及未来的6G通信技术，为车辆间实时共享高维感知特征（如鸟瞰图BEV特征）、轨迹预测结果乃至大模型中间层激活值提供了可能，从而实现“群体智能”与协同感知。
2. 模型参数的高效分发与更新：中心云可利用全局数据持续训练和优化大模型，并通过无线网络将更新后的模型参数或提示（Prompt）高效、安全地分发给边缘车辆（联邦学习范式）。这要求通信协议能支持大模型参数的稀疏化更新和差分隐私保护。
3. 车路云一体化协同决策：路侧智能单元（RSU）配备的大模型可以对复杂路口进行全局优化调度，并通过通信链路将最优通行策略实时下发至车辆端模型，指导其微观行为。这构成了一个分层式的大模型决策系统。

三、 自动控制技术与大模型的深度融合
将大模型的输出转化为安全、平滑、舒适的车辆控制指令，是闭环中的最后且最关键一环。传统控制方法（如PID、MPC）与学习型控制（如模仿学习、强化学习）正在与大模型深度结合：

1. 大模型作为高级决策器：大模型负责输出高层次的路径点序列或行为语义（如“在下一个路口左转”），而底层则由一个鲁棒性强的传统控制器（如模型预测控制MPC）负责轨迹跟踪与稳定控制。这种分层结构兼顾了智能与安全。
2. 大模型直接生成控制信号：端到端大模型直接回归方向盘、油门和刹车的连续值。其挑战在于控制动作的平滑性、安全性以及对物理约束的满足。当前研究通过引入基于物理的损失函数、将控制信号离散化为词元（Token）融入语言模型、或利用扩散模型生成满足多重约束的最优控制序列来应对。
3. 基于世界模型的强化学习控制：大模型可充当“世界模型”，预测自身动作在环境中的长期后果。智能体（控制器）在此世界模型中进行“想象”演练和策略优化（如Dreamer算法），从而学习到更安全、高效的驾驶策略，并大幅提升数据利用效率。

四、 挑战与未来展望
尽管前景广阔，自动驾驶大模型在通信与控制层面仍面临严峻挑战：

1. 通信可靠性：在恶劣天气、隧道、城市峡谷等复杂信道环境下，如何保证关键模型数据与指令的可靠、低时延传输，是V2X通信必须解决的工程难题。
2. 安全与合规性：大模型的“黑箱”特性使其决策过程难以解释，在发生事故时归责困难。如何构建可验证、符合交通法规且具备安全边界的大模型控制策略，是迈向商用的前提。
3. 计算与能效：大模型推理耗能巨大，对车载计算平台构成压力。如何设计轻量化模型架构，并结合边缘计算与云计算进行任务协同分配，是工程落地的关键。
4. 仿真与测试验证：构建高保真、可扩展的仿真环境，用于大规模测试和评估大模型在极端场景下的性能与安全性，已成为不可或缺的研发环节。

自动驾驶大模型将朝着多模态理解更精准、决策逻辑更可解释、车路云协同更紧密的方向发展。通信技术将不仅承担数据传输管道职能，更将演变为分布式神经网络的一部分；而自动控制则将更深地融入学习框架，形成从感知到执行的统一、智能、安全的“神经控制器”。这一融合进程，将持续推动自动驾驶技术迈向真正的L4/L5级无人化。