自动驾驶

Echo Planning for Autonomous Driving: From Current Observations to Future Trajectories and Back

自动驾驶中的回声规划：从当前观测到未来轨迹及回溯

Jintao Sun, Hu Zhang, Gangyi Ding, Zhedong Zheng

机构 * School of Computer Science and Technology, Beijing Institute of Technology, China（北京理工大学计算机科学与技术学院） ； CSIRO DATA61, Australia（澳大利亚CSIRO DATA61） ； Faculty of Science and Technology and Institute of Collaborative Innovation, University of Macau, Macau SAR, China（澳门大学科学与技术学院及协同创新研究院） 纠错

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

AI总结 本文提出EchoP框架，通过建立当前-未来-当前循环，使轨迹预测与场景一致性协调。实验表明，该方法在nuScenes上减少L2误差并降低碰撞率，且在闭环评估中表现优异，无需额外监督。

Comments 12 pages, 4 figures

OccTENS: 3D Occupancy World Model via Temporal Next-Scale Prediction

OccTENS: 通过时间下一尺度预测实现的3D占用世界模型

Bu Jin, Songen Gu, Xiaotao Hu, Yupeng Zheng, Xiaoyang Guo, Qian Zhang, Xiaoxiao Long, Wei Yin

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Horizon Robotics（地平线机器人） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出OccTENS，一种能高效生成高质量长期占用场景的生成模型，通过时间下一尺度预测任务解决效率、时间退化和可控性问题。

An HMDP-MPC Decision-making Framework with Adaptive Safety Margins and Hysteresis for Autonomous Driving

具有自适应安全边际和滞回机制的HMDP-MPC决策框架用于自动驾驶

Siyuan Li, Chengyuan Liu, Wen-Hua Chen

专题命中 规划控制 ：autonomous driving(title)

AI总结 本文提出一种整合混合马尔可夫决策过程与模型预测控制的决策框架，结合速度依赖的安全边际和预测感知的滞回机制，通过双层恢复方案提升决策连续性与鲁棒性，经多场景测试验证其在异构交通中的适应性与安全性。

Comments 8 pages, 6 figures, to be published in ICRA 2026 proceedings

Den-TP: A Density-Balanced Data Curation and Evaluation Framework for Trajectory Prediction

Den-TP：一种基于密度平衡的数据整理与评估框架用于轨迹预测

Ruining Yang, Yi Xu, Yun Fu, Lili Su

机构 * Northeastern University, USA（东北大学） 纠错

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

AI总结 本文提出Den-TP框架，通过密度感知的数据整理和评估方法，平衡轨迹预测数据集的密度分布，提升模型鲁棒性。

Comments Accepted by CVPR2026

Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks

具有双分支编码器的物理信息深度混合Koopman车辆动力学模型用于分布式电动卡车

Jinyu Miao, Pu Zhang, Rujun Yan, Yifei He, Bowei Zhang, Zheng Fu, Ke Wang, Qi Song, Kun Jiang, Mengmeng Yang, Diange Yang

机构 * School of Vehicle and Mobility, and State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University, Beijing, China（车辆与移动系统学院和智能绿色车辆与移动系统国家重点实验室，清华大学，北京，中国） ； KargoBot Inc., Beijing, China（KargoBot公司，北京，中国） 纠错

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

AI总结 本文提出了一种基于Koopman算子理论的全数据驱动方法，用于复杂分布式电动卡车的动力学建模，通过双分支编码器和物理信息监督机制提升建模精度和兼容性。

Comments 13 pages, 8 tables, 7 figures

Forecast-Aware Cooperative Planning on Temporal Graphs under Stochastic Adversarial Risk

面向随机对抗风险的时序图上协作规划

Manshi Limbu, Xuan Wang, Gregory J. Stein, Daigo Shishika, Xuesu Xiao

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文提出一种面向随机对抗风险的时序图协作规划框架，通过整合随机风险预测与前瞻性支持分配，有效降低团队总预期成本，接近理想规划器性能。

Hierarchical Decision-Making under Uncertainty: A Hybrid MDP and Chance-Constrained MPC Approach

在不确定性下的分层决策：一种混合MDP和机会约束MPC方法

Siyuan Li, Chengyuan Liu, Wen-Hua Chen

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

AI总结 本文提出一种混合MDP和机会约束MPC的分层决策框架，用于自动驾驶中处理不确定性，通过多模态预测与安全约束实现 maneuver 选择与动态可行性的统一，验证了其在高速公路和城市环境中的安全性和效率。

Comments 14 pages, 10 figures