自动驾驶

Interactive Double Deep Q-network: Integrating Human Interventions and Evaluative Predictions in Reinforcement Learning of Autonomous Driving

交互式双深Q网络：在自动驾驶强化学习中整合人类干预与评估预测

Alkis Sygkounas, Ioannis Athanasiadis, Andreas Persson, Michael Felsberg, Amy Loutfi

机构 * Center for Applied Autonomous Sensor Systems (AASS)（应用自主传感器系统中心） ； Örebro University（奥雷布罗大学） ； Computer Vision Laboratory（计算机视觉实验室） ； Linköping University（利德斯霍尔大学） 纠错

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

AI总结 交互式双深Q网络通过整合人类干预与评估预测，提升自动驾驶强化学习的性能和适应性。

Comments Accepted at IEEE Intelligent Vehicles Symposium (IV) 2025, 8 pages

NaviDriveVLM: Decoupling High-Level Reasoning and Motion Planning for Autonomous Driving

NaviDriveVLM：解耦高层推理与运动规划用于自动驾驶

Ximeng Tao, Pardis Taghavi, Dimitar Filev, Reza Langari, Gaurav Pandey

机构 * J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（杰米·沃克’66机械工程系，德克萨斯A&M大学，学院站，TX 77843，美国） ； The Department of Engineering Technology and Industrial Distribution Texas A&M University, College Station, TX 77843, USA（工程技术与工业分配系，德克萨斯A&M大学，学院站，TX 77843，美国） 纠错

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

AI总结 NaviDriveVLM通过解耦高层推理与运动规划，提升自动驾驶中的推理能力与效率

FLARE: Learning Future-Aware Latent Representations from Vision-Language Models for Autonomous Driving

FLARE: 从视觉-语言模型中学习未来感知的潜在表示以实现自动驾驶

Chengen Xie, Chonghao Sima, Tianyu Li, Bin Sun, Junjie Wu, Zhihui Hao, Hongyang Li

机构 * Shanghai Jiaotong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； OpenDriveLab at The University of Hong Kong（香港大学OpenDrive实验室） ； Li Auto Inc.（Li汽车公司） 纠错

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

AI总结 FLARE通过自监督的未来特征预测目标，从大规模未标记数据中学习鲁棒驾驶表示，无需语言监督，提升自动驾驶性能。

Improved Constrained Generation by Bridging Pretrained Generative Models

通过桥梁预训练生成模型实现改进的约束生成

Xiaoxuan Liang, Saeid Naderiparizi, Yunpeng Liu, Berend Zwartsenberg, Frank Wood

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Inverted AI 纠错

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

AI总结 本文提出了一种通过桥梁预训练生成模型实现改进的约束生成方法，通过在可行区域内生成样本并保持现实感，实现了约束满足与采样质量之间的新平衡。

Diff-Muscle: Efficient Learning for Musculoskeletal Robotic Table Tennis

Diff-Muscle: 高效学习用于肌骨骼机器人乒乓球

Wentao Zhao, Jun Guo, Kangyao Huang, Xin Liu, Huaping Liu

机构 * Department of Computer Science and Technology, Tsinghua University, China（清华大学计算机科学与技术系） 纠错

专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO

AI总结 Diff-Muscle通过微分平坦性将高维动作空间转化为低维关节空间，实现高效学习，使肌骨骼机器人在动态乒乓球任务中实现连续回球。

Comments 8 pages, 7 figures

Trajectory Tracking Control Design for Autonomous Helicopters with Guaranteed Error Bounds

自主直升机轨迹跟踪控制设计：保证误差界限

Philipp Schitz, Johann C. Dauer, Paolo Mercorelli

机构 * Institute of Flight Systems, German Aerospace Center (DLR)（飞行系统研究所，德国航天中心） ； Institute for Production Technology and Systems, Leuphana University of Lueneburg（生产技术与系统研究所，路比哈大学） 纠错

专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO

AI总结 本文提出基于RPI集的自主直升机轨迹跟踪控制设计，通过计算保证误差界限并比较不同控制器架构的性能与保守性。

Comments Submitted to the 2026 International Conference on Unmanned Aircraft Systems (ICUAS)

Feasibility Restoration under Conflicting STL Specifications with Pareto-Optimal Refinement

在冲突的STL规范下进行可行性恢复的帕累托最优细化

Tianhao Wu, Yiwei Lyu

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） 纠错

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

AI总结 本文提出了一种两阶段框架，在冲突的STL规范下通过最小松弛恢复可行性，并通过多目标优化实现可解释的决策。

Neural Control and Learning of Simulated Hand Movements With an EMG-Based Closed-Loop Interface

基于EMG的闭环接口的神经控制与学习：模拟手部运动

Balint K. Hodossy, Dario Farina

专题命中 规划控制 ：autonomous driving(abstract)

AI总结 本文提出了一种结合肌肉骨骼模拟、强化学习和在线肌电合成的神经机械模型，用于模拟手部运动并评估神经控制器。