自动驾驶

SimULi: Real-Time LiDAR and Camera Simulation with Unscented Transforms

SimULi: 基于无散射变换的实时激光雷达和摄像头模拟

Haithem Turki, Qi Wu, Xin Kang, Janick Martinez Esturo, Shengyu Huang, Ruilong Li, Zan Gojcic, Riccardo de Lutio

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

AI总结 SimULi 提出一种实时渲染任意相机模型和激光雷达数据的方法，通过扩展 3DGUT 并引入自动化拼接策略和射线剔除，提升了渲染速度和精度，适用于自动驾驶场景的高保真测试。

Comments ICLR 2026 - project page: https://research.nvidia.com/labs/sil/projects/simuli

Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors

通过激光雷达误差下的连续命令融合实现鲁棒的全局-局部行为仲裁

Mohamed Elgouhary, Amr S. El-Wakeel

机构 * West Virginia University（西弗吉尼亚大学） 纠错

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

AI总结 本文提出一种ROS2原生仲裁模块，通过连续融合两个不变且可解释的控制器输出，实现自动驾驶系统在感知不完美和严格实时约束下的全局目标与局部安全反应协调。

Unleashing the Potential of Mamba: Boosting a LiDAR 3D Sparse Detector by Using Cross-Model Knowledge Distillation

释放Mamba的潜力：通过跨模型知识蒸馏提升LiDAR 3D稀疏检测器

Rui Yu, Runkai Zhao, Jiagen Li, Qingsong Zhao, HuaiCheng Yan, Meng Wang

机构 * East China University of Science and Technology（华东理工大学） ； University of Sydney（悉尼大学） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学技术学院） 纠错

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

AI总结 本文提出FASD框架，通过跨模型知识蒸馏将Transformer的全局上下文理解能力转移到Mamba模型，提升检测精度与效率，实现在Waymo和nuScenes数据集上的性能提升和资源消耗降低。

Annotation-Free Detection of Drivable Areas and Curbs Leveraging LiDAR Point Cloud Maps

无需标注的 drivable 区域和路障检测：利用 LiDAR 点云地图

Fulong Ma, Daojie Peng, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出 MADL 模块，通过 LiDAR 地图与路障检测结合，自动生成训练数据，提升 drivable 区域和路障检测的鲁棒性和准确性。

LiDAR for Crowd Management: Applications, Benefits, and Future Directions

激光雷达用于人群管理：应用、优势与未来方向

Abdullah Khanfor, Chaima Zaghouani, Hakim Ghazzai, Ahmad Alsharoa, Gianluca Setti

机构 * College of Computer Science and Information Systems, Najran University（纳吉兰大学计算机科学与信息系统学院） ； College of Innovation & Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院） ； King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） 纠错

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

AI总结 本文探讨了激光雷达在人群管理中的应用与优势，分析了其在隐私保护、恶劣天气适应性和三维建模方面的优势，并提出未来研究方向，包括数据集稀缺性、传感器融合与点云处理等。

Comments 8 pages, 5 figures, 1 table

Omni-LIVO: Robust RGB-Colored Multi-Camera Visual-Inertial-LiDAR Odometry via Photometric Migration and ESIKF Fusion

Omni-LIVO：通过光度迁移和ESIKF融合实现鲁棒的多摄像头视觉-惯性-激光雷达里程计

Yinong Cao, Chenyang Zhang, Xin He, Yuwei Chen, Chengyu Pu, Bingtao Wang, Kaile Wu, Shouzheng Zhu, Fei Han, Shijie Liu, Chunlai Li, Jianyu Wang

机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； Advanced Laser Technology Lab of Anhui Province（安徽省先进激光技术实验室） ； Key Laboratory of Space Active Opto-Electronics Technology, Shanghai Institute of Technical Physics, Chinese Academy of Sciences（中国科学院上海技术物理研究所空间主动光电技术重点实验室） 纠错

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

AI总结 Omni-LIVO通过多视角观测充分利用LiDAR几何信息，引入跨视角直接对齐策略和改进的ESIKF，提升多摄像头视觉-惯性-LiDAR里程计的精度和鲁棒性。

Comments Accepted by IEEE Robotics and Automation Letters (RA-L). Early Access version available. This version supersedes all previous versions and is the official accepted manuscript for citation

Physics-Aware Diffusion for LiDAR Point Cloud Densification

面向激光雷达点云密集化的物理感知扩散模型

Zeping Zhang, Robert Laganière

机构 * University of Ottawa（渥太华大学） 纠错

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

AI总结 本文提出Scanline-Consistent Range-Aware Diffusion模型，通过概率细化提升激光雷达点云密集度，以156ms实现高保真结果，采用Ray-Consistency损失和Negative Ray增强技术抑制物理幻觉，提升3D检测性能。

Octree-based Learned Point Cloud Geometry Compression: A Lossy Perspective

基于八叉树的学得点云几何压缩：一种有损视角

Kaiyu Zheng, Wei Gao, Huiming Zheng

机构 * School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出针对不同点云的有损压缩方法，针对物体点云改进叶节点压缩，针对LiDAR点云提出变率控制方法，实验显示方法在物体点云上表现更优，在LiDAR点云上实现约1%的比特误差。

Prompting Depth Anything for 4K Resolution Accurate Metric Depth Estimation

通过提示深度任何事实现4K分辨率的准确度量深度估计

Haotong Lin, Sida Peng, Jingxiao Chen, Songyou Peng, Jiaming Sun, Minghuan Liu, Hujun Bao, Jiashi Feng, Xiaowei Zhou, Bingyi Kang

机构 * Zhejiang University（浙江大学） ； ByteDance Seed（字节跳动Seed） ； Shanghai Jiao Tong University（上海交通大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出Prompt Depth Anything，利用低成本LiDAR作为提示，通过多尺度融合设计实现4K分辨率的度量深度估计，并在ARKitScenes和ScanNet++数据集上取得新突破。

Comments CVPR 2025; Project page: https://PromptDA.github.io/