nuScenes 是由 Motional 发布的大规模自动驾驶公开数据集，包含约 1000 段 20 秒左右的城市场景采集数据，配备激光雷达、毫米波雷达、摄像头等多传感器信息，并提供 3D 目标检测、跟踪与分割等标注任务。长期以来，它是 3D 感知算法论文中最常引用的基准之一，新方法是否在 nuScenes 测试集上刷新 mAP 或 NDS 指标，往往被视为该方向有效性的重要佐证。
nuScenes 上的近期研究进展
在感知鲁棒性方向，基于不确定性评估的 SOTIF 分析：LiDAR 目标检测性能阈值跨工况适用性测试 利用不确定性评估研究 LiDAR 检测性能阈值在不同工况下的适用性，涉及预期功能安全（SOTIF）场景下的可靠性分析。
针对多传感器融合，SR-BEVS：稀疏恢复方法提升 Fast-BEV 的鲁棒性与精度 通过稀疏恢复手段改进鸟瞰图检测框架 Fast-BEV，在 nuScenes 这类标准评测集上同时提升鲁棒性与精度。
在语义分割任务上，RaSFNet 提出：面向 LiDAR 点云语义分割的射线对齐融合网络 提出射线对齐的融合结构，进一步压低了该任务的基准成绩。
更值得注意的是范式迁移：小米汽车发布 Xiaomi Auto World Model 世界模型全新框架：重建 + 生成一体化，主流基准测试全面 SOTA 显示产业界已将竞争焦点扩展到世界模型，重建与生成一体化的框架在多个主流基准上取得领先，nuScenes 系数据被视为其中的验证环节之一。类似地，Lagrange：面向广义端到端驾驶的开放词汇、基于能量的稀疏框架 和 GeoState：视图解耦几何表征用于 3D 世界建模 都把端到端驾驶与世界建模作为目标，而非单纯刷检测榜单。
当前焦点与观察点
围绕 nuScenes 的讨论正在出现分化。一方面，它仍是 LiDAR 检测、BEV 感知、点云分割等任务的常用验证场，像 LiDAR-Hallu基准：4D LiDAR语言模型未必真懂时空关系 这类工作也在借助其数据构建新评测，暴露模型对时空关系理解的不足。另一方面，业界普遍认为该数据集规模有限、场景偏简单，成绩接近饱和，端到端与世界模型方向的研究者更倾向于引入大规模自采数据或生成式场景，如 RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation 所代表的危险场景生成路线。
对观察者而言，值得关注的是：nuScenes 榜单成绩与真实道路表现之间的相关性是否仍被认可；基于它的 SOTIF 与不确定性研究能否转化为安全论证依据；以及随着世界模型和开放词汇方法兴起，这个发布于 2019 年的基准会在多长时间内继续保持行业默认评测地位。