自动驾驶

Fast and Efficient Transformer-based Method for Bird's Eye View Instance Prediction

快速且高效的基于变换器的鸟瞰图实例预测方法

Miguel Antunes-García, Luis M. Bergasa, Santiago Montiel-Marín, Rafael Barea, Fabio Sánchez-García, Ángel Llamazares

机构 * Universidad of Alcalá (UAH)（阿尔卡拉大学） 纠错

专题命中 感知 ：self-driving(abstract)；BEV(abstract)；occupancy(abstract)；分类 cs.CV

AI总结 本文提出一种基于简化范式的高效鸟瞰图实例预测架构，通过使用实例分割和流预测来提升速度和效率，减少参数数量和推理时间。

Comments The article has been presented in the 27th IEEE International Conference on Intelligent Transportation Systems (IEEE ITSC 2024) on September, 2024. Number of pages: 6, Number of figures: 4

Cross-Vehicle 3D Geometric Consistency for Self-Supervised Surround Depth Estimation on Articulated Vehicles

跨车辆3D几何一致性用于机械臂车辆上的自监督周围深度估计

Weimin Liu, Jiyuan Qiu, Wenjun Wang, Joshua H. Meng

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； Remote Sensing and Earth Observation Laboratory, University of Copenhagen（哥本哈根大学遥感与地球观测实验室） ； California PATH, University of California, Berkeley（加州大学伯克利分校加州PATH） 纠错

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

AI总结 本文提出ArticuSurDepth框架，通过跨视图和跨车辆几何一致性提升机械臂车辆周围深度估计的结构一致性与精度。

RayMamba: Ray-Aligned Serialization for Long-Range 3D Object Detection

RayMamba：基于射线对齐的长距离3D目标检测串行化

Cheng Lu, Mingqian Ji, Shanshan Zhang, Zhihao Li, Jian Yang

机构 * School of Computer Science and Technology, Nanjing University of Science and Technology（南京理工大学计算机科学与技术学院） 纠错

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

AI总结 RayMamba通过射线对齐策略优化稀疏场景下的3D目标检测，提升远距离场景的上下文建模效率，实现mAP和NDS的显著提升。

Dynamic Risk Generation for Autonomous Driving: Naturalistic Reconstruction of Vehicle-E-Scooter Interactions

自动驾驶中的动态风险生成：车辆与电动滑板车交互的自然主义重建

Abin Mathew, Zhitong He, Lingxi Li, Yaobin Chen

专题命中 规划控制 ：autonomous driving(title)

AI总结 本文提出利用道路交通数据生成可配置的合成交互，以验证车辆运动规划算法，通过社会力模型模拟电动滑板车动态行为，测试碰撞避让系统功能，通过实况案例验证了模拟器的实用性与有效性。

BEVPredFormer: Spatio-temporal Attention for BEV Instance Prediction in Autonomous Driving

BEVPredFormer：自动驾驶中用于鸟瞰图实例预测的时空注意力

Miguel Antunes-García, Santiago Montiel-Marín, Fabio Sánchez-García, Rodrigo Gutiérrez-Moreno, Rafael Barea, Luis M. Bergasa

机构 * University of Alcalá（阿尔卡拉大学） 纠错

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

AI总结 本文提出BEVPredFormer，一种基于相机的新型架构，通过注意力机制提升时空感知能力，解决动态场景中密集空间和时间信息处理的挑战，实验证明其在nuScenes数据集上性能优异。

Comments 15 pages, 5 figures

Semiclassical representation of the Hubbard model

Hubbard模型的半经典表示

Yuki Yamasaki, Hidemaro Suwa, Cristian D. Batista, Shintaro Hoshino

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文提出基于非传统相干态表示的半经典近似方法，用于研究Hubbard模型，该方法能处理有限温度下的动态变量，并能扩展到多轨道系统，通过与精确解的比较验证了其有效性。

Comments 21 pages, 5 figures

An Open-Source LiDAR and Monocular Off-Road Autonomous Navigation Stack

开源的激光雷达与单目越野自主导航栈

Rémi Marsal, Quentin Picard, Adrien Poiré, Sébastien Kerbourc'h, Thibault Toralba, Clément Yver, Alexandre Chapoutot, David Filliat

机构 * U2IS, ENSTA, Institut Polytechnique de Paris（巴黎综合理工学院，ENSTA，U2IS） ； AMIAD, Pôle Recherche（AMIAD，研究部） ； LARIAD, a joint AMIAD-ENSTA laboratory（LARIAD，AMIAD-ENSTA联合实验室） 纠错

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

AI总结 本文提出一个开源的越野导航栈，结合激光雷达和单目3D感知，无需特定任务训练，通过边缘遮蔽和时间平滑提升鲁棒性，实验证明单目深度估计可替代激光雷达。

ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry

ALIVE-LIO: 退化感知的惯性速度学习以增强基于误差状态卡尔曼滤波的LiDAR-惯性里程计

Seongjun Kim, Daehan Lee, Junwoo Hong, Sanghyun Park, Hyunyoung Jo, Soohee Han

机构 * Department of Electrical Engineering, POSTECH（浦项科技大学电气工程系） 纠错

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

AI总结 ALIVE-LIO通过将深度神经网络整合到经典误差状态卡尔曼滤波中，提升退化环境中LiDAR可观测性，减少姿态漂移，实验显示在22/32序列中表现最佳。

Comments 18 pages, 9 figures

Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph

Delaunay Canopy：通过Delaunay图构建空中LiDAR点云的线框重建

Donghyun Kim, Chanyoung Kim, Youngjoong Kwon, Seong Jae Hwang

机构 * Emory University（埃默里大学） ； Yonsei University（延世大学） 纠错

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

AI总结 本文提出Delaunay Canopy方法，利用Delaunay图作为几何先验，解决空中LiDAR点云中噪声、稀疏性和内部角区域线框重建的难题，实现高精度线框重建。

Rascene: High-Fidelity 3D Scene Imaging with mmWave Communication Signals

Rascene：利用毫米波通信信号实现高保真3D场景成像

Kunzhe Song, Geo Jie Zhou, Xiaoming Liu, Huacheng Zeng

机构 * Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 本文提出Rascene框架，利用毫米波通信信号实现高精度3D场景成像，克服了传统传感器在恶劣环境下的局限性，提供了一种低成本、可扩展的3D感知新途径。

Comments Accepted to CVPR 2026

V2X-QA: A Comprehensive Reasoning Dataset and Benchmark for Multimodal Large Language Models in Autonomous Driving Across Ego, Infrastructure, and Cooperative Views

V2X-QA：面向自动驾驶多视角的多模态大语言模型综合数据集与基准测试

Junwei You, Pei Li, Zhuoyu Jiang, Weizhe Tang, Zilin Huang, Rui Gan, Jiaxi Liu, Yan Zhao, Sikai Chen, Bin Ran

机构 * Department of Civil and Environmental Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Department of Civil and Architectural Engineering and Construction Management, University of Wyoming（怀俄明大学土木与建筑工程及施工管理系） ； School of Transportation, Southeast University（东南大学交通学院） 纠错

专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出V2X-QA数据集和基准测试，用于评估多模态大语言模型在自动驾驶中的多视角推理能力，揭示视角对性能的影响，并提出V2X-MoE模型以提升多视角推理性能。

From Virtual Environments to Real-World Trials: Emerging Trends in Autonomous Driving

从虚拟环境到现实世界试验：自动驾驶领域新兴趋势

A. Humnabadkar, A. Sikdar, B. Cave, H. Zhang, N. Bessis, A. Behera

机构 * Edge Hill University（埃奇希尔大学） 纠错

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

AI总结 本文综述了自动驾驶、模拟技术和合成数据集的最新发展，探讨了合成数据在感知与规划中的应用、数字孪生模拟系统验证以及领域适应策略，分析了基准设计趋势及关键挑战，旨在推动安全、可推广的自动驾驶系统发展。

Comments Accepted manuscript - Transactions on Intelligent Transportation Systems