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%。