自动驾驶

Class-Distribution Guided Active Learning for 3D Occupancy Prediction in Autonomous Driving

基于类分布的主动学习用于自动驾驶中的3D占用预测

Wonjune Kim, In-Jae Lee, Sihwan Hwang, Sanmin Kim, Dongsuk Kum

机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔大学） ； Kookmin University（国民大学） 纠错

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

AI总结 本文提出一种基于类分布的主动学习框架，通过三种互补标准选择训练样本，以解决自动驾驶中3D占用预测的类别不平衡和标注成本问题，实现在仅42.4%标注数据下达到26.62 mIoU的性能。

Comments IEEE RA-L 2026

Journal ref IEEE Robotics and Automation Letters (2026)

An Instance-Centric Panoptic Occupancy Prediction Benchmark for Autonomous Driving

面向自动驾驶的实例中心全景占用预测基准测试

Yi Feng, Junwu E, Zizhan Guo, Yu Ma, Hanli Wang, Rui Fan

机构 * Tongji University（同济大学） 纠错

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

AI总结 本文提出实例中心的全景占用预测基准测试，引入ADMesh和CarlaOcc数据集，提供高精度3D模型和实例级标注，建立标准化评估指标并系统评估代表性模型。

Comments Accepted to CVPR 2026. Code and dataset are available at https://mias.group/CarlaOcc

SUG-Occ: Explicit Semantics and Uncertainty Guided Sparse Learning for Efficient 3D Occupancy Prediction

SUG-Occ：显式语义和不确定性引导的稀疏学习用于高效的3D占用预测

Hanlin Wu, Pengfei Lin, Ehsan Javanmardi, Naren Bao, Bo Qian, Hao Si, Manabu Tsukada

机构 * Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） 纠错

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

AI总结 本文提出SUGOcc框架，通过显式语义和不确定性引导稀疏学习，实现高效3D占用预测，结合稀疏表示和轻量级解码器提升精度与效率。

osmAG-Nav: A Hierarchical Semantic Topometric Navigation Stack for Robust Lifelong Indoor Autonomy

osmAG-Nav：一种用于鲁棒长期室内自主性的分层语义拓扑导航栈

Yongqi Zhang, Jiajie Zhang, Chengqian Li, Fujing Xie, Sören Schwertfeger

机构 * ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文提出osmAG-Nav导航栈，通过分层语义拓扑地图实现大空间多层环境中的高效导航，降低规划延迟并提升长期定位稳定性。

Comments 42 pages, 10 figures

Recruiting Heterogeneous Crowdsource Vehicles for Updating a High-definition Map

招募异质性众包车辆以更新高精度地图

Wentao Ye, Yuan Luo, Bo Liu, Jianwei Huang

专题命中 BEV与占用 ：autonomous driving(abstract)

AI总结 本文研究如何通过异质性众包车辆在更新高精度地图时平衡新鲜度与招募成本，提出基于马尔可夫决策过程的最优策略及高效算法，实验证明其在成本和收敛时间上的优势。

Comments 13 pages, 5 figures. This is the author's accepted manuscript of the paper presented at the 2023 IEEE WiOpt conference

Journal ref 2023 21st International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks (WiOpt), pp. 1-8, Aug. 2023

Efficient and Cost-effective Vehicle Recruitment for HD Map Crowdsourcing

高效且经济的HD地图众包车辆招募

Wentao Ye, Yuan Luo, Bo Liu, Jianwei Huang

专题命中 BEV与占用 ：autonomous driving(abstract)

AI总结 本文提出一种高效经济的车辆招募机制，考虑车辆随机到达和异质性，提升HD地图更新效率并降低招募成本。

Comments 14 pages, 11 figures. This is the author's accepted manuscript of the article published in IEEE Transactions on Mobile Computing

Journal ref IEEE Transactions on Mobile Computing, vol. 24, no. 8, pp. 7505-7518, Aug. 2025

Explicit M-Polynomial and Degree-Based Topological Indices of Generalized Hanoi Graphs

一般化汉诺图的显式M多项式及度数基于的拓扑指数

El-Mehdi Mehiri

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文首次为一般化汉诺图$H_p^n$推导出显式的M多项式表达式，通过组合分析和斯特林数计算，得出所有对角线和非对角线系数的闭式，从而精确计算主要度数基于的拓扑指数。

Journal ref Discrete Applied Mathematics 387 (2026), 181--198