自动驾驶

Towards Generating Realistic 3D Semantic Training Data for Autonomous Driving

朝向生成逼真3D语义训练数据以实现自动驾驶

Lucas Nunes, Rodrigo Marcuzzi, Jens Behley, Cyrill Stachniss

机构 * Center for Robotics, University of Bonn, Germany（bonn大学机器人中心） ； RWTH Aachen, Germany（亚琛工业大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence, Germany（lamarr机器学习与人工智能研究所） 纠错

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

AI总结 本文提出一种无需投影或分离开的多分辨率模型的3D语义生成方法，生成更逼真的场景数据，提升自动驾驶训练效果。

TREND: Unsupervised 3D Representation Learning via Temporal Forecasting for LiDAR Perception

TREND: 通过时间预测进行无监督3D表示学习的LiDAR感知

Runjian Chen, Hyoungseob Park, Bo Zhang, Wenqi Shao, Ping Luo, Alex Wong

机构 * The University of Hong Kong（香港大学） ； Yale University（耶鲁大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心） 纠错

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

AI总结 TREND通过时间预测进行无监督3D表示学习，提升LiDAR感知性能。

Decoupling Spatio-Temporal Dynamics: Microvibration Imaging Using Coherent Detection Ghost Imaging Lidar

分离时空动态：利用相干检测鬼成像激光雷达的微振动成像

Shuang Liu, Jinquan Qi, Chaoran Wang, Chenjin Deng, Shensheng Han

专题命中 感知 ：LiDAR(title)

AI总结 本文提出一种相干检测-鬼成像框架，用于高精度微振动成像，实现亚波长灵敏度的结构健康监测。

Bandwidth-adaptive Cloud-Assisted 360-Degree 3D Perception for Autonomous Vehicles

带宽自适应的云辅助360度3D感知用于自动驾驶车辆

Faisal Hawladera, Rui Meireles, Gamal Elghazaly, Ana Aguiar, Raphaël Frank

机构 * Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg, L-1855, Luxembourg（安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学） ； Computer Science Department, Vassar College, Poughkeepsie, NY 12604, USA（计算机科学系，瓦萨学院） 纠错

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

AI总结 本文提出一种带宽自适应的云辅助3D感知方法，通过动态分割计算任务和特征压缩，降低延迟并提升检测精度，适用于复杂城市环境中的自动驾驶。

BEV-VLM: Trajectory Planning via Unified BEV Abstraction

BEV-VLM：通过统一的鸟瞰抽象进行轨迹规划

Guancheng Chen, Sheng Yang, Tong Zhan, Jian Wang

专题命中 规划控制 ：BEV(title,abstract)；trajectory planning(title,abstract)；autonomous driving(abstract)；LiDAR(abstract)

AI总结 BEV-VLM通过统一的BEV抽象与VLMs实现高精度轨迹规划，实验显示其在准确性上比现有方法提升53.1%并实现无碰撞。

Less is More: Lean yet Powerful Vision-Language Model for Autonomous Driving

少即是多：一种高效而强大的视觉-语言模型用于自动驾驶

Sheng Yang, Tong Zhan, Guancheng Chen, Yanfeng Lu, Jian Wang

机构 * School of Data Science, Fudan University Shanghai, China（复旦大学数据科学学院） ； Institute of Automation, Chinese Academy of Sciences Beijing, China（中国科学院自动化研究所） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；self-driving(abstract)；trajectory planning(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本研究提出Max-V1模型，通过端到端视觉-语言方法实现高效自动驾驶，取得nuScenes数据集上的显著性能提升。

ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving

ColaVLA: 借助认知潜在推理实现自动驾驶中的分层并行轨迹规划

Qihang Peng, Xuesong Chen, Chenye Yang, Shaoshuai Shi, Hongsheng Li

机构 * Tsinghua University（清华大学） ； CUHK MMLab（香港中文大学MMLab） ； Voyager Research, Didi Chuxing（Voyager Research，滴滴出行） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；trajectory planning(title)；分类 cs.CV

AI总结 ColaVLA通过统一视觉-语言-动作框架，解决自动驾驶中轨迹规划的效率与准确性问题，实现高效、安全的多尺度轨迹生成。

Comments CVPR2026(Main Conference). Project page: https://pqh22.github.io/projects/ColaVLA/index.html

TSC: Topology-Conditioned Stackelberg Coordination for Multi-Agent Reinforcement Learning in Interactive Driving

TSC：基于拓扑条件的Stackelberg协调用于交互驾驶中的多智能体强化学习

Xiaotong Zhang, Gang Xiong, Yuanjing Wang, Siyu Teng, Alois Knoll, Long Chen

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Natural Sciences, University of Durham（达勒姆大学自然科学系） ； College of Civil and Transportation Engineering, Shenzhen University（深圳大学土木与交通工程学院） ； Chair of Robotics, Artificial Intelligence and Realtime Systems, Technical University of Munich（慕尼黑技术大学机器人、人工智能与实时系统教授职位） 纠错

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

AI总结 TSC通过拓扑条件的Stackelberg协调方法，在无通信执行下实现密集交通中的去中心化多智能体强化学习，提升训练稳定性和安全性。

Comments 12 pages, 8 figures

Towards Intelligible Human-Robot Interaction: An Active Inference Approach to Occluded Pedestrian Scenarios

迈向可解释的人机交互：一种主动推断方法用于遮挡行人场景

Kai Chen, Yuyao Huang, Guang Chen

机构 * Tongji University（同济大学） 纠错

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

AI总结 本文提出基于主动推断的方法，用于解决遮挡行人场景中的安全挑战，通过结合 RBPF 和 CEM 增强的 MPPI 控制器，实现可解释的人机交互。

Comments 14 pages, 6 figures, Proceedings of the 2026 ACM/IEEE International Conference on Human-Robot Interaction (HRI'26)

ECAM: A Contrastive Learning Approach to Avoid Environmental Collision in Trajectory Forecasting

ECAM: 一种用于轨迹预测中避免环境碰撞的对比学习方法

Giacomo Rosin, Muhammad Rameez Ur Rahman, Sebastiano Vascon

机构 * Department of Environmental Sciences, Informatics and Statistics, Ca' Foscari University of Venice, Italy（环境科学、信息学与统计学系，威尼斯卡福斯卡里大学，意大利） 纠错

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

AI总结 ECAM通过对比学习方法提升轨迹预测中对环境碰撞的避免能力，有效降低碰撞率。

Comments IJCNN 2025

DA-Occ: Direction-Aware 2D Convolution for Efficient and Geometry-Preserving 3D Occupancy Prediction in Autonomous Driving

DA-Occ：方向感知的2D卷积用于自动驾驶中高效且保持几何的3D占用预测

Yuchen Zhou, Yan Luo, Xiaogang Wang, Xingjian Gu, Mingzhou Lu, Xiangbo Shu

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

AI总结 DA-Occ通过方向感知卷积和高度分数投影，在自动驾驶中实现高效且保持几何的3D占用预测，平衡精度与效率。

Comments This manuscript has been withdrawn because we are preparing a significantly revised version with improved methodology and extended experimental evaluation

SelfOccFlow: Towards end-to-end self-supervised 3D Occupancy Flow prediction

SelfOccFlow：迈向端到端自监督3D占用流预测

Xavier Timoneda, Markus Herb, Fabian Duerr, Daniel Goehring

机构 * Onboard Fusion team at CARIAD SE, Volkswagen Group（CARIAD SE 车辆集团 onboard 融合团队） ； Dahlem Center for Machine Learning and Robotics group at Freie Universität Berlin（柏林自由大学 Dahlem 机器学习与机器人学小组） 纠错

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

AI总结 SelfOccFlow提出了一种端到端自监督方法，通过分解场景为静态和动态符号距离场并利用特征余弦相似性，实现无需人工标注的3D占用流估计。

Comments Accepted version. Final version is published in IEEE Robotics and Automation Letters, DOI: 10.1109/LRA.2026.3665447

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4331-4338, 2026

CycleBEV: Regularizing View Transformation Networks via View Cycle Consistency for Bird's-Eye-View Semantic Segmentation

CycleBEV: 通过视图循环一致性正则化视图转换网络用于鸟瞰图语义分割

Jeongbin Hong, Dooseop Choi, Taeg-Hyun An, Kyounghwan An, Kyoung-Wook Min

机构 * Electronics and Telecommunications Research Institute (ETRI)（电子电信研究院） ； University of Science and Technology (UST)（科学技术大学） 纠错

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

AI总结 CycleBEV通过引入视图循环一致性正则化方法，提升视图转换网络在鸟瞰图语义分割中的性能，实现显著的mIoU提升。

Comments CVPR 2026

Inverse Isotope Effect in the Ternary Perovskite Hydride SrPdH/D$_{2.9}$: A Signature of Quantum Zero-Point Fluctuations

反同位素效应在三元钙钛矿氢化物 SrPdH/D$_{2.9}$ 中：量子零点涨落的特征

Wencheng Lu, Mihir Sahoo, Roman Lucrezi, Michael J. Hutcheon, Shubham Sinha, Pedro N. Ferreira, Chris J. Pickard, Qiang Zhang, Matthew N. Julian, Rohit P. Prasankumar, Christoph Heil, Timothy A. Strobel

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 该研究通过第一性原理计算揭示了三元钙钛矿氢化物 SrPdH/D$_{2.9}$ 的超导性，并发现反同位素效应源于量子零点运动。

CO^3: Cooperative Unsupervised 3D Representation Learning for Autonomous Driving

CO³：协作无监督3D表示学习用于自动驾驶

Runjian Chen, Yao Mu, Runsen Xu, Wenqi Shao, Chenhan Jiang, Hang Xu, Zhenguo Li, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 激光雷达 ：autonomous driving(title)；LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 CO³通过协作对比学习和上下文形状预测，实现无监督学习户外场景点云的3D表示，提升自动驾驶中的检测性能。

BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds

BuildAnyPoint: 从多样点云构建三维建筑结构抽象

Tongyan Hua, Haoran Gong, Yuan Liu, Di Wang, Ying-Cong Chen, Wufan Zhao

机构 * HKUST(GZ)（香港科技大学（广州）） ； Xi’an Jiaotong University（西安交通大学） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV

AI总结 BuildAnyPoint通过Loca-DiT框架从多样点云中生成结构化三维建筑抽象，提升重建的表面准确性和分布均匀性。

Comments CVPR 2026

FPPS: An FPGA-Based Point Cloud Processing System

FPPS：一种基于FPGA的点云处理系统

Xiaofeng Zhou, Linfeng Du, Hanwei Fan, Wei Zhang

专题命中 激光雷达 ：autonomous driving(abstract)

AI总结 FPPS是一种基于FPGA的点云处理系统，通过优化ICP算法在KITTI数据集上实现了高达35倍的加速，同时保持精度并提升能效。

How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains

惯性测量单元漂移如何影响多雷达惯性里程计用于地下地形地面机器人

Moumita Mukherjee, Magnus Norén, Anton Koval, Avijit Banerjee, George Nikolakopoulos

机构 * Swedish Department of Energy（瑞典能源部） ； LKAB ； Sustainable Underground Mining (SUM) Academy Programme（可持续地下采矿（SUM）学院计划） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出一种两阶段MRIO框架，通过IMU偏移估计和雷达数据融合，提升地下环境中机器人定位和映射的鲁棒性。

Comments Accepted in IEEE International Conference on Robotics and Automation (ICRA), 2026

Autonomous Inspection of Power Line Insulators with UAV on an Unmapped Transmission Tower

无人机自主检查输电塔绝缘子

Václav Riss, Vít Krátký, Robert Pěnička, Martin Saska

机构 * Czech Science Foundation（捷克科学基金） ； European Union（欧盟） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出了一种基于摄像头和激光雷达融合的无人机自主检查输电塔绝缘子方法，通过仿真和实际飞行验证，显著提高了定位精度并节省了检查时间。

Comments 8 pages, 9 figues

JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data

JiSAM: 通过最小真实世界数据缓解自动驾驶中的标注负担和边缘案例问题

Runjian Chen, Wenqi Shao, Bo Zhang, Shaoshuai Shi, Li Jiang, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Voyager Research, Didi Chuxing（滴滴出行 Voyager 研究） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心） 纠错

专题命中 仿真评测 ：autonomous driving(title,abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 JiSAM通过最小真实世界数据缓解自动驾驶中的标注负担和边缘案例问题，利用模拟数据提升真实感知性能。

Imagine a City: CityGenAgent for Procedural 3D City Generation

想象一座城市：CityGenAgent用于程序化3D城市生成

Zishan Liu, Zecong Tang, RuoCheng Wu, Xinzhe Zheng, Jingyu Hu, Ka-Hei Hui, Haoran Xie, Bo Dai, Zhengzhe Liu

机构 * Lingnan University, Hong Kong SAR, China（岭南大学） ； Zhejiang University, Hangzhou, China（浙江大学） ； The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） ； Autodesk AI Lab, Canada（Autodesk AI实验室） ； The University of Hong Kong, Hong Kong SAR, China（香港大学） 纠错

专题命中 其他自动驾驶 ：autonomous driving(abstract)；分类 cs.CV

AI总结 CityGenAgent通过自然语言驱动的分层程序化生成方法，实现了高质量3D城市生成，提升了语义对齐、视觉质量和可控性。