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