自动驾驶

UniLiPs: Unified LiDAR Pseudo-Labeling with Geometry-Grounded Dynamic Scene Decomposition

UniLiPs: 基于几何引导的动态场景分解的统一激光雷达伪标签方法

Filippo Ghilotti, Samuel Brucker, Nahku Saidy, Matteo Matteucci, Mario Bijelic, Felix Heide

机构 * TORC Robotics（TORC机器人公司） ； Politecnico of Milan（米兰理工学院） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 本文提出UniLiPs方法，通过利用激光雷达扫描的时空几何一致性，将文本和2D视觉模型的线索直接融合到3D中，生成3D语义标签、包围盒和密集点云，验证了其在三个数据集上的鲁棒性。

Journal ref Proceedings of the International Conference on 3D Vision (3DV), 2026

Disengagement Analysis and Field Tests of a Prototypical Open-Source Level 4 Autonomous Driving System

原型开源四级自动驾驶系统的脱轨分析与实地测试

Marvin Seegert, Christian Oefinger, Korbinian Moller, Christoph Bank, Johannes Betz

机构 * Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑技术大学工程与设计学院，技术大学慕尼黑） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI）） 纠错

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

AI总结 本文通过236公里混合交通环境测试，分析了开源四级自动驾驶系统脱轨原因，发现感知与规划故障占比高，脱轨率低，揭示了标准指标难以发现的鲁棒性问题。

Comments 8 pages, submitted to IEEE for possible publication

Single-Eye View: Monocular Real-time Perception Package for Autonomous Driving

单目视角：面向自动驾驶的实时感知包

Haixi Zhang, Aiyinsi Zuo, Zirui Li, Chunshu Wu, Tong Geng, Zhiyao Duan

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

AI总结 本文提出LRHPerception，结合端到端学习与局部映射方法，提升自动驾驶中的目标跟踪、道路分割和深度估计性能，实现单目图像数据的五通道张量输出，实现实时29FPS处理。

Comments 9 pages, 5 figures

KLDrive: Fine-Grained 3D Scene Reasoning for Autonomous Driving based on Knowledge Graph

KLDrive: 基于知识图谱的细粒度3D场景推理用于自动驾驶

Ye Tian, Jingyi Zhang, Zihao Wang, Xiaoyuan Ren, Xiaofan Yu, Onat Gungor, Tajana Rosing

机构 * University of California San Diego, La Jolla, California, USA（加州大学圣地亚哥分校） ； University of California Merced, Merced, California, USA（加州大学默塞德分校） 纠错

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

AI总结 KLDrive通过构建可靠场景知识图谱和LLM代理进行事实驱动推理，提升自动驾驶中的细粒度问答性能，实验表明其在NuScenes-QA和GVQA上均取得最佳准确率和SPICE分数。

EZ-SP: Fast and Lightweight Superpoint-Based 3D Segmentation

EZ-SP：快速且轻量的基于超点的3D分割

Louis Geist, Loic Landrieu, Damien Robert

机构 * LIGM, ENPC, IP Paris, Univ Gustave Eiffel, CNRS（LIGM，ENPC，IP巴黎，巴黎理工大学，CNRS） ； DM3L, University of Zurich（DM3L，苏黎世大学） 纠错

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

AI总结 本文提出了一种高效的基于超点的3D语义分割方法，通过全GPU分区算法实现13倍更快的处理速度，结合轻量级分类器，达到2MB显存占用，支持实时推理，并在三个领域验证了其准确性。

Comments Accepted at ICRA 2026. Camera-ready version with Appendix

IDSplat: Instance-Decomposed 3D Gaussian Splatting for Driving Scenes

IDSplat：实例分解的3D高斯点云法用于驾驶场景

Carl Lindström, Mahan Rafidashti, Maryam Fatemi, Lars Hammarstrand, Martin R. Oswald, Lennart Svensson

机构 * Zenseact ； Chalmers University of Technology（瑞典查尔姆斯理工大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 IDSplat通过实例分解和可学习运动轨迹重建动态驾驶场景，无需人工标注，实现场景分离与泛化。

OmniPatch: A Universal Adversarial Patch for ViT-CNN Cross-Architecture Transfer in Semantic Segmentation

OmniPatch: 一种适用于ViT-CNN跨架构迁移的通用对抗补丁

Aarush Aggarwal, Akshat Tomar, Amritanshu Tiwari, Sargam Goyal

机构 * Data Science Group, Indian Institute of Technology Roorkee（数据科学组，印度理工学院罗里克分校） 纠错

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

AI总结 本文提出OmniPatch，一种能跨图像和ViT-CNN架构通用的对抗补丁训练框架，无需目标模型参数即可提升语义分割的鲁棒性。

Comments 10 pages, 4 figures, ICLR 2026: Principled Design for Trustworthy AI

Emergency Lane-Change Simulation: A Behavioral Guidance Approach for Risky Scenario Generation

紧急车道变更模拟：一种行为引导方法用于高风险场景生成

Chen Xiong, Cheng Wang, Yuhang Liu, Zirui Wu, Ye Tian

机构 * School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院） ； Guangdong Provincial Key Laboratory of Intelligent Transportation System, Sun Yat-sen University（广东省智能交通系统重点实验室） ； Department of Civil and Environmental Engineering, The Pennsylvania State University（宾夕法尼亚州立大学土木与环境工程系） ； School of Traffic Engineering and the Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University（同济大学交通工程学院及交通工程重点实验室） 纠错

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

AI总结 本文提出一种基于行为学习的方法，通过优化序列生成对抗网络学习紧急车道变更行为，结合递归近端策略优化策略生成高风险碰撞场景，提升风险探索效率。

Ultrafast microwave sensing and automatic recognition of dynamic objects in open world using programmable surface plasmonic neural networks

利用可编程表面等离子体神经网络实现开放式世界中超快微波传感与动态物体自动识别

Qian Ma, Ze Gu, Zi Rui Feng, Qian Wen Wu, Yu Ming Ning, Zhi Qiao Han, Rui Si Li, Xinxin Gao, Tie Jun Cui

专题命中 感知 ：autonomous driving(abstract)

AI总结 本文提出一种可编程表面等离子体神经网络，实现超快微波传感与动态物体识别，刷新率超10kHz，能效达17TOPS/W，准确率91-97%。

Foundation Models for Trajectory Planning in Autonomous Driving: A Review of Progress and Open Challenges

自动驾驶轨迹规划中的基础模型：进展与开放挑战综述

Kemal Oksuz, Alexandru Buburuzan, Anthony Knittel, Yuhan Yao, Puneet K. Dokania

机构 * Five AI Ltd.（Five AI有限公司） ； Robert Bosch GmbH（罗伯特·博世有限公司） ； United Kingdom（英国） 纠错

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

AI总结 本文综述了自动驾驶中基于基础模型的轨迹规划方法，分析了其架构设计、方法优势及局限性，并评估了37种最新方法的代码和数据集开放性。

Comments Accepted to TMLR (Survey Certification)

Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving

融合驾驶员感知与物理风险用于自动驾驶安全关键场景筛选

Chen Xiong, Ziwen Wang, Deqi Wang, Cheng Wang, Yiyang Chen, He Zhang, Chao Gou

机构 * Guangdong Provincial Key Laboratory of Intelligent Transportation System, School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（广东省智能交通系统重点实验室，智能系统工程学院，中山大学深圳校区） ； school of Transportation and Logistics, Southwest Jiaotong University（交通运输与物流学院，西南交通大学） 纠错

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

AI总结 本文提出一种融合驾驶员风险的危险场景筛选方法，通过改进的驾驶员风险场和动态成本模型生成高质量风险监督信号，提升自动驾驶中安全关键场景的筛选效率与准确性。

RTD-RAX: Fast, Safe Trajectory Planning for Systems under Unknown Disturbances

RTD-RAX：在未知扰动下快速安全的轨迹规划

Evanns Morales-Cuadrado, Long Kiu Chung, Shreyas Kousik, Samuel Coogan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； School of Electrical and Computer Engineering（电子与计算机工程学院） ； School of Mechanical Engineering（机械工程学院） ； School of Civil and Environmental Engineering（土木与环境工程学院） 纠错

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

AI总结 RTD-RAX通过非保守的RTD方法快速生成目标导向候选轨迹，并利用混合单调可达性实现快速扰动感知在线安全认证，确保在实时不确定环境下轨迹安全。

Implicit Maximum Likelihood Estimation for Real-time Generative Model Predictive Control

隐式最大似然估计用于实时生成模型预测控制

Grayson Lee, Minh Bui, Shuzi Zhou, Yankai Li, Mo Chen, Ke Li

机构 * School of Computing Science, Simon Fraser University（计算科学系，西蒙弗雷泽大学） 纠错

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

AI总结 本文提出隐式最大似然估计（IMLE）作为生成模型的替代方法，实现快速推理和强模式覆盖，适用于实时MPC任务。

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

DexDrummer: In-Hand, Contact-Rich, and Long-Horizon Dexterous Robot Drumming

DexDrummer: 手持式、接触密集且长周期的灵巧机器人敲击

Hung-Chieh Fang, Amber Xie, Jennifer Grannen, Kenneth Llontop, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） ； National Taiwan University（国立台湾大学） 纠错

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

AI总结 本文提出DexDrummer，通过模拟训练实现多手灵巧敲击，解决手持、接触密集和长周期操控难题，展示在模拟和现实中的优越性能。

Comments Website: https://dexdrummer.github.io/

Feasibility of Augmented Reality-Guided Robotic Ultrasound with Cone-Beam CT Integration for Spine Procedures

增强现实引导的机器人超声与锥束CT整合在脊柱手术中的可行性

Tianyu Song, Felix Pabst, Feng Li, Yordanka Velikova, Miruna-Alexandra Gafencu, Yuan Bi, Ulrich Eck, Nassir Navab

机构 * Chair for Computer Aided Medical Procedures(CAMP), Technical University of Munich(TUM)（计算机辅助医疗程序系（CAMP），慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

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

AI总结 本文提出一种基于光学透视增强现实的机器人系统，结合锥束CT与超声成像，提升脊柱手术中针具定位的准确性和效率，降低认知负荷。

Comments 8 pages, 7 figures

Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications

时空注意力增强的多智能体深度强化学习用于受限制通信的无人机辅助无线网络

Che Chen, Lanhua Li, Shimin Gong, Yu Zhao, Yuming Fang, Dusit Niyato

机构 * School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（中山大学智能系统工程学院深圳校区） ； Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)（广东海洋工程科学实验室（珠海）） ； Department of Equipment Management and Unmanned Aerial Vehicle Engineering, Air Force Engineering University（空军工程大学装备管理与无人机工程系） ； School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） 纠错

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

AI总结 本文提出一种延迟容忍的多智能体深度强化学习算法，结合延迟惩罚奖励促进无人机间信息共享，并优化轨迹规划、网络形成和传输控制策略，同时采用时空注意力预测方法恢复丢失信息，提升网络容量和吞吐量。

GaussianSSC: Triplane-Guided Directional Gaussian Fields for 3D Semantic Completion

GaussianSSC：基于三平面的定向高斯场用于3D语义补全

Ruiqi Xian, Jing Liang, He Yin, Xuewei Qi, Dinesh Manocha

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

AI总结 本文提出GaussianSSC，一种两阶段、基于网格和三平面引导的语义场景补全方法，通过高斯场提升语义补全效果，改进单目占用估计并提升三平面特征精度。

Learning to Sample: Reinforcement Learning-Guided Sampling for Autonomous Vehicle Motion Planning

学习采样：强化学习引导的自主车辆运动规划采样

Korbinian Moller, Roland Stroop, Mattia Piccinini, Alexander Langmann, Johannes Betz

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

AI总结 本文提出一种结合强化学习的采样方法，用于提升自动驾驶车辆在复杂城市环境中的运动规划效率与可靠性。

Comments 8 pages, submitted to the IEEE for possible publication

AERO-MPPI: Anchor-Guided Ensemble Trajectory Optimization for Agile Mapless Drone Navigation

AERO-MPPI：基于锚点的轨迹优化用于无地图无人机敏捷导航

Xin Chen, Rui Huang, Longbin Tang, Lin Zhao

机构 * Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系） 纠错

专题命中 规划控制 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出AERO-MPPI框架，通过GPU加速统一感知与规划，利用多分辨率LiDAR点云提取锚点，构建多项式轨迹引导，提升无人机在复杂环境中的敏捷导航能力。

Comments Accepted by ICRA 2026

High-Speed, All-Terrain Autonomy: Ensuring Safety at the Limits of Mobility

高速全地形自主性：在移动极限下的安全性保证

James R. Baxter, Bogdan I. Epureanu, Paramsothy Jayakumar, Tulga Ersal

机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； U.S. Army Ground Vehicle Systems Center（美国陆军地面车辆系统中心） 纠错

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

AI总结 本文提出一种新型局部轨迹规划器，通过能量约束实现高速越野车辆在复杂地形中的安全行驶，通过仿真和实验证明其在极端场景下的有效性。

Comments 19 pages, 16 figures, submitted to IEEE Transactions on Robotics

DQN Based Joint UAV Trajectory and Association Planning in NTN Assisted Networks

基于DQN的NTN辅助网络中无人机轨迹与关联规划

Afsoon Alidadi Shamsabadi, Cosmas Mwaba, Thomas Nugent, Jie Gao, Pablo Madoery, Halim Yanikomeroglu, Subhadeep Pal

专题命中 规划控制 ：trajectory planning(abstract)

AI总结 本文提出基于DQN的联合无人机轨迹与关联规划算法，旨在降低能耗、减少切换频率和断连问题，通过整合地球静止轨道网络架构实现无缝无人机连接。

Privacy-Preserving Formation Control for Networked Underactuated USVs: A Passivity-Based Approach

隐私保护的网络化欠驱动USV编队控制：基于被动性的方法

Jingyi Zhao, Wenxuan Wang, Weijun Zhou, Yongxin Wu, Yuhu Wu, Yann Le Gorrec

专题命中 规划控制 ：trajectory planning(abstract)

AI总结 本文研究了在严格隐私要求下多无人水面舰艇的协同轨迹规划与跟踪控制，采用估计的舰队质心作为唯一共享变量，实现编队协调与隐私保护。基于此机制，为舰队生成编队轨迹，利用端口哈密顿系统建模集体动力学，并为每个USV设计基于被动性的跟踪控制器，通过实验验证了系统稳定性和有效编队跟踪。

Understanding Behavior Cloning with Action Quantization

通过动作量化理解行为克隆

Haoqun Cao, Tengyang Xie

机构 * Department of Computer Sciences, University of Wisconsin–Madison, Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系） 纠错

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

AI总结 本文研究行为克隆中动作量化的影响，分析量化误差传播与统计样本复杂度的相互作用，证明量化行为克隆在稳定动态和概率光滑性条件下可达到最优样本复杂度，提出基于模型的增强方法以改进误差界。

CounterScene: Counterfactual Causal Reasoning in Generative World Models for Safety-Critical Closed-Loop Evaluation

CounterScene: 生成世界模型中的反事实因果推理用于安全关键闭环评估

Bowen Jing, Ruiyang Hao, Weitao Zhou, Haibao Yu

机构 * Tuojing Intelligence（途京智能） ； King's College London（伦敦大学国王学院） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） 纠错

专题命中 端到端驾驶 ：BEV(abstract)；分类 cs.RO、cs.CV

AI总结 CounterScene通过结构化反事实推理生成安全关键驾驶场景，通过因果对抗代理识别和冲突感知交互世界模型，提升长周期碰撞率并保持轨迹真实性。

Comments 28 pages, 7 figures

Data Scaling for Navigation in Unknown Environments

未知环境中的导航数据扩展

Lauri Suomela, Naoki Takahata, Sasanka Kuruppu Arachchige, Harry Edelman, Joni-Kristian Kämäräinen

机构 * Signal Processing Research Centre, Faculty of Information Technology and Communication Sciences, Tampere University（信号处理研究中心，信息科技与通信科学学院，塔尔皮奥大学） ； Graduate School of Information Sciences, Tohoku University（信息科学研究生院，东北大学） ； Faculty of Engineering, Turku University of Applied Sciences（工程学院，图尔库应用科学大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(abstract)；分类 cs.RO

AI总结 研究通过大规模数据和多样性提升未知环境导航性能，发现数据多样性比数量更重要，且简单回归模型在嘈杂数据中表现更优。

Comments Robotics and Automation Letters (RA-L) 2026

Memory-Efficient Boundary Map for Large-Scale Occupancy Grid Mapping

高效内存边界图用于大规模占用网格映射

Benxu Tang, Yunfan Ren, Yixi Cai, Fanze Kong, Wenyi Liu, Fangcheng Zhu, Longji Yin, Liuyu Shi, Fu Zhang

机构 * Mechatronics and Robotic Systems (MaRS) Laboratory, Department of Mechanical Engineering, The University of Hong Kong, Hong Kong SAR, China（机械电子与机器人系统实验室，机械工程系，香港大学，香港特别行政区，中国） ； Department of Robotics, Perception, and Learning, KTH Royal Institute of Technology, Stockholm, Sweden（机器人、感知与学习系，皇家理工学院，斯德哥尔摩，瑞典） 纠错

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

AI总结 本文提出一种高效内存边界图方法，通过仅维护映射体积的边界来减少内存消耗，并设计了新的数据结构支持高效查询。

Journal ref Benxu Tang, et al. The International Journal of Robotics Research, published online 2026

The potential and viability of V2G for California BEV drivers

V2G在加州电动汽车车主中的潜力与可行性

Clement Wong, Amalie Trewartha, Steven B. Torrisi, Alexandre L. S. Filipowicz

专题命中 BEV与占用 ：BEV(title,abstract)

AI总结 本文基于加州真实数据，设计评估用户导向的V2G策略，发现日常充电者参与V2G最可行，电池寿命受日历老化敏感度影响，高敏感度电池参与V2G可能提升容量保持。

Comments Minor revisions

Scene Representation using 360° Saliency Graph and its Application in Vision-based Indoor Navigation

基于360°显著性图的场景表示及其在基于视觉的室内导航中的应用

Preeti Meena, Himanshu Kumar, Sandeep Yadav

专题命中 BEV与占用 ：LiDAR(abstract)；分类 cs.RO、cs.CV、eess.IV

AI总结 本文提出一种360°显著性图表示方法，用于提升场景表示效率和室内导航性能，通过编码视觉、上下文、语义和几何信息，提高场景定位和导航准确性。

Entanglement in a driven two-qubit system coupled to common cavity

双量子比特系统与公共腔耦合中的纠缠

Amit Dey

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 研究双量子比特系统与公共腔耦合中的纠缠，分析初始腔态有限性和量子比特-腔耦合不对称性对纠缠的影响，探讨闭合系统和驱动耗散情况下纠缠的生成机制。

Comments 6 pages, 5 figures

Benchmarking Deep Learning Models for Aerial LiDAR Point Cloud Semantic Segmentation under Real Acquisition Conditions: A Case Study in Navarre

在真实采集条件下评估深度学习模型用于空中LiDAR点云语义分割：纳瓦拉案例研究

Alex Salvatierra, José Antonio Sanz, Christian Gutiérrez, Mikel Galar

机构 * Department of Statistics, Computer Science and Mathematics and Institute of Smart Cities (ISC), Public University of Navarre (UPNA)（统计、计算机科学与数学系和智能城市研究所（ISC），纳瓦拉公共大学（UPNA）） ； Tracasa Instrumental 纠错

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

AI总结 本文评估了四种深度学习模型在真实飞行条件下大规模空中LiDAR数据集上的性能，揭示了空中数据中类别不平衡和几何变化的挑战，结果显示KPConv在多个类别上表现最佳。

Comments 6 pages, 2 figures