自动驾驶

Super LiDAR Intensity for Robotic Perception

超声波雷达强度用于机器人感知

Wei Gao, Jie Zhang, Mingle Zhao, Zhiyuan Zhang, Shu Kong, Maani Ghaffari, Dezhen Song, Cheng-Zhong Xu, Hui Kong

机构 * State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC)（物联网智能城市国家重点实验室） ； Faculty of Science and Technology（科技学院） ； University of Macau（澳门大学） ； School of Computing and Information Systems（计算与信息学院） ； Singapore Management University（新加坡管理大学） ； Department of Naval Architecture and Marine Engineering and Department of Robotics（船舶工程与海洋工程系和机器人系） ； University of Michigan（密歇根大学） ； Department of Robotics（机器人系） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·拉希德智能人工智能大学） 纠错

专题命中 感知 ：LiDAR(title,abstract)；分类 cs.RO

AI总结 本文提出了一种基于非重复扫描LiDAR的密集强度图像生成方法，以提升低成本LiDAR在机器人感知中的应用。

Comments IEEE Robotics and Automation Letters (RA-L), 2026 (https://ieeexplore.ieee.org/document/11395610). The dataset and code are available at: (https://github.com/IMRL/Super-LiDAR-Intensity)

Sapling-NeRF: Geo-Localised Sapling Reconstruction in Forests for Ecological Monitoring

Sapling-NeRF: 用于森林生态监测的地理定位幼树重建

Miguel Ángel Muñoz-Bañón, Nived Chebrolu, Sruthi M. Krishna Moorthy, Yifu Tao, Fernando Torres, Roberto Salguero-Gómez, Maurice Fallon

机构 * Oxford Robotics Institute, Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学机器人研究所、工程科学系、牛津大学、牛津、英国） ； Group of Automation, Robotics and Computer Vision, University of Alicante, Alicante, Spain（自动化、机器人与计算机视觉小组、阿尔瓦登特大学、阿尔瓦登特、西班牙） ； Department of Biology, University of Oxford, Oxford, UK（生物学系、牛津大学、牛津、英国） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出Sapling-NeRF方法，结合NeRF、LiDAR SLAM和GNSS，实现地理定位的幼树重建，提升森林生态监测的精度和长期数据采集能力。

PPT: Pretraining with Pseudo-Labeled Trajectories for Motion Forecasting

PPT：基于伪标签轨迹的运动预测预训练

Yihong Xu, Yuan Yin, Éloi Zablocki, Tuan-Hung Vu, Alexandre Boulch, Matthieu Cord

专题命中 感知 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 PPT通过利用伪标签轨迹进行预训练，提升运动预测的泛化能力和在低数据环境下的性能。

Comments 8 pages, 6 figures, accepted to ICRA 2026

From Open Vocabulary to Open World: Teaching Vision Language Models to Detect Novel Objects

从开放词汇到开放世界：教会视觉语言模型检测新物体

Zizhao Li, Zhengkang Xiang, Joseph West, Kourosh Khoshelham

机构 * The University of Melbourne Parkville, VIC, Australia（墨尔本大学帕克维尔分校） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出了一种开放世界框架，使OVD模型能够检测新物体，通过引入OWEL和MSCAL方法提升模型对远超出分布物体的识别能力。

Comments Accepted by BMVC 2025

OSDaR-AR: Enhancing Railway Perception Datasets via Multi-modal Augmented Reality

OSDaR-AR: 通过多模态增强现实提升铁路感知数据集

Federico Nesti, Gianluca D'Amico, Mauro Marinoni, Giorgio Buttazzo

机构 * Department of Excellence in Robotics & AI, Scuola Superiore Sant’Anna（机器人与人工智能卓越部门，圣安娜高等学院） ； Simulatrix MV srl（Simulatrix MV公司） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出OSDaR-AR数据集，通过多模态增强现实技术整合逼真虚拟对象，提升铁路感知任务的数据质量与真实性。

ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data

ClimaOoD: 通过物理真实合成数据提升异常分割

Yuxing Liu, Zheng Li, Huanhuan Liang, Ji Zhang, Zeyu Sun, Yong Liu

机构 * Beijing University of Chemical Technology（北京化工大学） ； Southwest Minzu University（西南民族大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 ClimaOoD通过生成物理真实且语义连贯的合成数据，提升异常分割的鲁棒性和泛化能力。

Comments Accepted by CVPR2026

UniFuture: A 4D Driving World Model for Future Generation and Perception

UniFuture: 一个面向未来生成与感知的4D驾驶世界模型

Dingkang Liang, Dingyuan Zhang, Xin Zhou, Sifan Tu, Tianrui Feng, Xiaofan Li, Yumeng Zhang, Mingyang Du, Xiao Tan, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 UniFuture通过统一4D建模提升自动驾驶中的未来生成与几何感知能力。

Comments Accepted by ICRA 2026

DrivePTS: A Progressive Learning Framework with Textual and Structural Enhancement for Driving Scene Generation

DrivePTS: 一种结合文本和结构增强的渐进式学习框架用于驾驶场景生成

Zhechao Wang, Yiming Zeng, Lufan Ma, Zeqing Fu, Chen Bai, Ziyao Lin, Cheng Lu

机构 * XPeng Motors 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 DrivePTS通过渐进式学习、多视角文本生成和频率引导结构损失，提升驾驶场景生成的保真度和可控性，生成稀有场景并增强泛化能力。

FlowsDT: A Geospatial Digital Twin for Navigating Urban Flood Dynamics

FlowsDT：用于导航城市洪水动态的地理空间数字孪生

Debayan Mandal, Lei Zou, Abhinav Wadhwa, Rohan Singh Wilkho, Zhenhang Cai, Bing Zhou, Xinyue Ye, Galen Newman, Nasir Gharaibeh, Burak Güneralp

专题命中 规划控制 ：LiDAR(abstract)

AI总结 FlowsDT通过地理空间数字孪生技术，结合水动力学建模，实现对加维斯顿城不同洪水情景下的精准模拟与风险评估，提升城市防洪韧性。

Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving

面向风险的 world model 预测控制用于通用的端到端自动驾驶

Jiangxin Sun, Feng Xue, Teng Long, Chang Liu, Jian-Fang Hu, Wei-Shi Zheng, Nicu Sebe

机构 * University of Trento（特伦托大学） ； Sun Yat-sen University（中山大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出风险感知世界模型预测控制（RaWMPC）框架，通过鲁棒控制提升端到端自动驾驶在罕见场景下的决策可靠性与安全性。

ST-GS: Vision-Based 3D Semantic Occupancy Prediction with Spatial-Temporal Gaussian Splatting

ST-GS：基于视觉的3D语义占用预测与空间-时间高斯点划法

Xiaoyang Yan, Muleilan Pei, Shaojie Shen

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 ST-GS通过空间-时间高斯点划法提升3D语义占用预测的时空建模能力，实现更优的时间一致性与性能

Comments Accepted by ICRA 2026

Queue occupancy and server size distribution of a queue length dependent vacation queue with an optional service

具有依赖队列长度的休假队列的队列占用和服务器大小分布

Ashish Verma, Sourav Pradhan

专题命中 BEV与占用 ：occupancy(title)

AI总结 本文研究了具有依赖队列长度的休假队列，推导了双变量概率生成函数，并通过数值示例展示了框架的应用性及参数敏感性分析。

Comments 38 pages, 17 figures

On Discovering Algorithms for Adversarial Imitation Learning

在对抗模仿学习中发现算法

Shashank Reddy Chirra, Jayden Teoh, Praveen Paruchuri, Pradeep Varakantham

机构 * University of Oxford（牛津大学） ； Singapore Management University（新加坡管理大学） ； IIIT Hyderabad（海得拉巴印度理工学院） 纠错

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.AI

AI总结 本文提出DAIL算法，通过数据驱动方法发现奖励分配函数，实现更稳定的对抗模仿学习性能。

Comments Accepted at ICLR 2026 (Poster)

Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching

Loc$^2$: 通过深度提升的局部特征匹配实现可解释的跨视角定位

Zimin Xia, Chenghao Xu, Alexandre Alahi

机构 * École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑校区） 纠错

专题命中 BEV与占用 ：BEV(abstract)；分类 cs.CV

AI总结 Loc$^2$通过深度提升的局部特征匹配实现跨视角定位，具有高精度和可解释性，适用于复杂场景。

Multi-robot LiDAR SLAM: a practical case study in underground tunnel environments

多机器人激光雷达SLAM：地下隧道环境中的实用案例研究

Federica Di Lauro, Domenico G. Sorrenti, Miguel Angel Sotelo

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.RO

AI总结 本文研究了多机器人SLAM在地下隧道环境中的应用，发现环检测是导致假阳性的主要原因，并提出新的启发式方法来解决这一问题。

Comments 14 pages, 14 figures

Multi-modal Data Driven Virtual Base Station Construction for Massive MIMO Beam Alignment

多模态数据驱动的大规模MIMO波束对准虚拟基站构造

Yijie Bian, Wei Guo, Jie Yang, Shenghui Song, Jun Zhang, Shi Jin, Khaled B. Letaief

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 本文提出利用多模态数据构建虚拟基站以优化大规模MIMO波束对准，通过几何镜像和稀疏表示提升频谱效率。

Transformer Actor-Critic for Efficient Freshness-Aware Resource Allocation

基于Transformer的Actor-Critic用于高效的 freshness-aware 资源分配

Maryam Ansarifard, Mohit K. Sharma, Kishor C. Joshi, George Exarchakos

专题命中 其他自动驾驶 ：autonomous driving(abstract)

AI总结 本文提出基于Transformer的Actor-Critic框架，用于高效实现 freshness-aware 资源分配，通过注意力机制提升策略性能和可扩展性。

Comments \c{opyright} 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses. Accepted for publication in the 2026 IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN)