自动驾驶

Class-Adaptive Cooperative Perception for Multi-Class LiDAR-based 3D Object Detection in V2X Systems

面向多类车辆的自适应协作感知用于V2X系统中的激光雷达三维物体检测

Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

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

AI总结 本文提出一种自适应协作感知架构，通过多尺度窗口注意力、类特定融合模块、鸟瞰图增强和类平衡目标加权，提升多类三维物体检测性能，实验显示在V2X-Real基准上，该方法在卡车、行人和汽车检测中均表现优异。

Comments 16 pages, 7 figures, 4 tables

FishRoPE: Projective Rotary Position Embeddings for Omnidirectional Visual Perception

FishRoPE: 用于全方位视觉感知的投影旋转位置嵌入

Rahul Ahuja, Mudit Jain, Bala Murali Manoghar Sai Sudhakar, Venkatraman Narayanan, Pratik Likhar, Varun Ravi Kumar, Senthil Yogamani

机构 * Automated Driving, Qualcomm Technologies, Inc（高通技术公司自动驾驶部门） ； Automated Driving, Qualcomm India Private Limited（高通印度私人有限公司自动驾驶部门） 纠错

专题命中 感知 ：BEV(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出FishRoPE，通过轻量框架将冻结的视觉基础模型适配到鱼眼几何，利用旋转位置嵌入重新参数化注意力机制，实现角分离而非像素距离的处理，提升全方位视觉感知性能。

LIDARLearn: A Unified Deep Learning Library for 3D Point Cloud Classification, Segmentation, and Self-Supervised Representation Learning

LIDARLearn: 一个用于3D点云分类、分割和自监督表示学习的统一深度学习库

Said Ohamouddou, Hanaa El Afia, Abdellatif El Afia, Raddouane Chiheb

机构 * ENSIAS, Mohammed V University, Rabat, Morocco（穆罕默德五世大学ENSIAS学院，拉巴特，摩洛哥） 纠错

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

AI总结 本文提出LIDARLearn，一个整合多种3D点云处理方法的统一深度学习库，支持分类、语义分割、部分分割和少样本学习，并提供标准化训练流程和严格多模型比较工具。

SignReasoner: Compositional Reasoning for Complex Traffic Sign Understanding via Functional Structure Units

SignReasoner：通过功能结构单元实现复杂交通标志理解的组合推理

Ruibin Wang, Zhenyu Lin, Xinhai Zhao

机构 * Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

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

AI总结 本文提出SignReasoner，通过功能结构单元实现复杂交通标志的组合推理，提升自动驾驶安全。核心方法是功能结构单元，通过分解标志为基本功能块，增强模型对未知配置的泛化能力。

Comments CVPRF 2026

HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation

HG-Lane：在恶劣天气和光照条件下无需重新标注的高保真车道场景生成

Daichao Zhao, Qiupu Chen, Feng He, Xin Ning, Qiankun Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； School of Artificial Intelligence, Henan University（河南大学人工智能学院） ； University of Science and Technology of China（中国科学技术大学） ； AnnLab, Institute of Semiconductors, Chinese Academy of Sciences（中国科学院半导体研究所 AnnLab） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出HG-Lane框架，通过构建包含30000张图像的基准数据集，提升恶劣天气下车道检测性能，实验显示基于CLRNet的mF1得分提升20.87%。

Comments Accepted by CVPR 2026 (HighLight)

Unified Unsupervised and Sparsely-Supervised 3D Object Detection by Semantic Pseudo-Labeling and Prototype Learning

通过语义伪标签和原型学习实现统一的无监督和稀疏监督3D目标检测

Yushen He, Lei Zhao, Weidong Chen

机构 * Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院） ； Key Laboratory of System Control and Information Processing, Ministry of Education of China（系统控制与信息处理教育部重点实验室） 纠错

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

AI总结 本文提出SPL框架，通过语义伪标签和原型学习统一无监督和稀疏监督3D目标检测，生成高质量伪标签并稳定特征学习，实验表明在KITTI和nuScenes数据集上优于现有方法。

Toward Environment-Aware LAE: SAR as a Shared Sensing Infrastructure

迈向环境感知的LAE：SAR作为共享感知基础设施

Xue Zhang, Bang Huang, Mohamed-Slim Alouini

专题命中 感知 ：LiDAR(abstract)

AI总结 本文探讨了通过SAR实现环境感知的LAE系统，提出从平台为中心的感知向共享基础设施转变，利用SAR的全天候广域感知能力，提升任务级感知和多平台协作，讨论了多平台感知体系、ISAC集成与AI技术等关键架构。

Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks

通过混合学习-优化框架实现可靠且实时的高速公路轨迹规划

Yujia Lu, Chong Wei, Lu Ma, Lounis Adouane

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

AI总结 本文提出混合高速公路轨迹规划框架，结合学习方法的适应性和优化方法的正式安全保证，确保在多车交互复杂情况下实现高可靠性和实时性。

AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction

AWARE: 一种适应性全身主动旋转控制用于增强人体在环交互下的激光雷达惯性里程计

Yizhe Zhang, Jianping Li, Liangliang Yin, Zhen Dong, Bisheng Yang

机构 * organization= State Key Laboratory of Information Engineering in Surveying, Mapping ； Remote Sensing , addressline= Wuhan University , city= Wuhan , postcode= 430079 , country= China ； organization= School of Electrical ； Electronic Engineering , addressline= Nanyang Technological University , postcode= 639798 , country= Singapore 纠错

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

AI总结 本文提出AWARE框架，通过UAV自身旋转能力扩展传感器视野，提升LIO可观测性。采用可微分MPC与强化学习结合，实现估计精度与飞行稳定性平衡，并通过安全飞行走廊机制确保操作安全。

AccidentSim: Generating Vehicle Collision Videos with Physically Realistic Collision Trajectories from Real-World Accident Reports

AccidentSim: 从真实世界事故报告生成具有物理真实碰撞轨迹的车辆碰撞视频

Xiangwen Zhang, Qian Zhang, Longfei Han, Qiang Qu, Xiaoming Chen, Weidong Cai

机构 * School of Computer and Artificial Intelligence, Beijing Technology and Business University（北京工商大学计算机与人工智能学院） ； The University of Sydney（悉尼大学） 纠错

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

AI总结 AccidentSim通过提取事故报告中的物理信息生成真实碰撞视频，结合物理模拟和NeRF技术提升视觉与物理真实性。

Representations Before Pixels: Semantics-Guided Hierarchical Video Prediction

在像素之前：基于语义的分层视频预测

Efstathios Karypidis, Spyros Gidaris, Nikos Komodakis

机构 * Archimedes Athena Research Center（雅典娜研究中心） ； National Technical University of Athens（雅典国家技术大学） ； University of Crete（克里特大学） ； IACM-Forth（希腊研究与技术基金会-应用与计算数学研究所） 纠错

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

AI总结 本文提出Re2Pix框架，通过先预测语义表示再生成视觉内容，提升动态环境视频预测的语义一致性和视觉质量。

Explainable Planning for Hybrid Systems

混合系统的可解释规划

Mir Md Sajid Sarwar

机构 * School of Mathematical and Computational Sciences, Indian Association for the Cultivation of Science, Kolkata（印度科学培育协会数学与计算科学学院，加尔各答） 纠错

专题命中 规划控制 ：self-driving(abstract)；分类 cs.AI

AI总结 研究针对混合系统中的可解释人工智能规划，探讨生成AI系统解释的方法，以应对自动化规划在复杂安全领域中的应用需求。

Comments PhD thesis

Neural Processes Maintain Calibrated Biomass Estimates Across Spatiotemporal Gaps and Disturbance

神经过程在时空间隙和扰动中保持校准的生物量估计

Robin Young, Srinivasan Keshav

机构 * University of Cambridge（剑桥大学） 纠错

专题命中 规划控制 ：LiDAR(abstract)

AI总结 本文提出神经过程框架用于时空稀疏数据下的生物量估计，通过空间-时间对称建模实现校准的不确定性预测，适用于森林碳核算的MRV应用。

PRIX: Learning to Plan from Raw Pixels for End-to-End Autonomous Driving

PRIX：从原始像素学习计划以实现端到端自动驾驶

Maciej K. Wozniak, Lianhang Liu, Yixi Cai, Patric Jensfelt

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； SCANIA（斯堪尼亚） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；BEV(abstract)；LiDAR(abstract)；end-to-end driving(abstract)

AI总结 PRIX通过使用仅需摄像头数据的端到端驾驶架构，无需BEV表示和LiDAR，直接从原始像素预测安全轨迹，实现了高效且实用的自动驾驶解决方案。

Comments Accepted for Robotics and Automation Letters (RA-L) and will be presented at iROS 2026

LEAD: Minimizing Learner-Expert Asymmetry in End-to-End Driving

LEAD：最小化学习者-专家不对称性以实现端到端驾驶

Long Nguyen, Micha Fauth, Bernhard Jaeger, Daniel Dauner, Maximilian Igl, Andreas Geiger, Kashyap Chitta

机构 * University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； NVIDIA Research（英伟达研究院） ； KE:SAI 纠错

专题命中 端到端驾驶 ：end-to-end driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文研究了仿真中专家示范与学生观测不一致对模仿学习的影响，提出TransFuser v6在CARLA等基准中取得新突破，提升驾驶性能。

Comments Accepted at CVPR 2026

BridgeSim: Unveiling the OL-CL Gap in End-to-End Autonomous Driving

BridgeSim: 揭示端到端自动驾驶中的OL-CL差距

Seth Z. Zhao, Luobin Wang, Hongwei Ruan, Yuxin Bao, Yilan Chen, Ziyang Leng, Abhijit Ravichandran, Honglin He, Zewei Zhou, Xu Han, Abhishek Peri, Zhiyu Huang, Pranav Desai, Henrik Christensen, Jiaqi Ma, Bolei Zhou

机构 * UCLA（加州大学洛杉矶分校） ； UCSD（加州大学圣地亚哥分校） ； Qualcomm（高通公司） 纠错

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

AI总结 本文揭示了OL策略在闭环部署中转移效果差的根本原因，提出Test-Time Adaptation框架以校正观测域偏移和状态-动作偏差，提升端到端自动驾驶性能。

XD-MAP: Cross-Modal Domain Adaptation via Semantic Parametric Maps for Scalable Training Data Generation

XD-MAP：通过语义参数地图实现跨模态领域适应以实现可扩展的训练数据生成

Frank Bieder, Hendrik Königshof, Haohao Hu, Fabian Immel, Yinzhe Shen, Jan-Hendrik Pauls, Christoph Stiller

机构 * KIT Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心） 纠错

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

AI总结 本文提出XD-MAP，通过语义参数地图将图像数据集中的传感器特定知识转移到LiDAR领域，无需手动标注即可提升多模态领域适应性能。

Comments 10 pages, 7 figures, 3 tables, accepted at CVPRW

MapATM: Enhancing HD Map Construction through Actor Trajectory Modeling

MapATM: 通过演员轨迹建模提升HD地图构建

Mingyang Li, Brian Lee, Rui Zuo, Brent Bacchus, Priyantha Mudalige, Qinru Qiu

机构 * Syracuse University（雪城大学） ； General Motors（通用汽车） 纠错

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

AI总结 本文提出MapATM，利用历史车辆轨迹信息提升车道检测精度，在NuScenes数据集上使车道分隔线AP提升4.6，mAP提升2.6，较基线方法提升10.1%和6.1%。

Comments 6 pages, 4 figures, 5 tables

Ψ-Map: Panoptic Surface Integrated Mapping Enables Real2Sim Transfer

Ψ-Map：全景表面集成映射实现真实到仿真转移

Xuan Yu, Yuxuan Xie, Changjian Jiang, Shichao Zhai, Rong Xiong, Yu Zhang, Yue Wang

机构 * Department of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） 纠错

专题命中 BEV与占用 ：LiDAR(abstract)；分类 cs.RO

AI总结 Ψ-Map通过整合几何强化、端到端学习和高效渲染，实现大规模场景中高精度全景重建，兼顾几何精度与实时推理，满足机器人仿真需求。

Super-resolved reconstruction of single-photon emitter locations from $g^{(2)}(0)$ maps

从g^(2)(0)地图中超分辨重建单光子发射器位置

Sonali Gupta, Amit Kumar, Vikas S Bhat, Sushil Mujumdar

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文提出一种结合扫描g^(2)(0)映射技术和基于反演的重建算法，实现对单光子源位置的超分辨重建，克服传统共聚焦显微镜的分辨率限制，提高定位效率和准确性。

Comments 22 pages, 6 figures

ReaLiTy and LADS: A Unified Framework and Dataset Suite for LiDAR Adaptation Across Sensors and Adverse Weather Conditions

ReaLiTy与LADS：一种统一框架和数据集套件，用于跨传感器和恶劣天气条件的LiDAR适应

Vivek Anand, Bharat Lohani, Rakesh Mishra, Gaurav Pandey

机构 * Indian Institute of Technology Kanpur（印度理工学院坎普尔分校） ； University of New Brunswick（新不伦瑞克大学） ； Texas A&M University（德克萨斯农工大学） 纠错

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

AI总结 本文提出ReaLiTy框架和LADS数据集，通过物理一致的方法提升LiDAR在不同传感器和天气条件下的适应性，实验显示了跨域一致性和真实天气效果的改进。

LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization

LEADER: 学习可靠的局部到全局对应关系用于LiDAR重定位

Jianshi Wu, Minghang Zhu, Dunqiang Liu, Wen Li, Sheng Ao, Siqi Shen, Chenglu Wen, Cheng Wang

机构 * Fujian Key Laboratory of Urban Intelligent Sensing and Computing（福建省城市智能感知与计算重点实验室） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, School of Informatics, Xiamen University（多媒体可信感知与高效计算教育部重点实验室，厦门大学信息学院） ； School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院） 纠错

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

AI总结 本文提出LEADER框架，通过几何编码器提升描述性，采用截断相对可靠性损失减少不可靠预测影响，实验表明在Oxford RobotCar和NCLT数据集上性能优于现有方法。

Comments Accepted to CVPR 2026 (Highlight)

A Comparison of Multi-View Stereo Methods for Photogrammetric 3D Reconstruction: From Traditional to Learning-Based Approaches

多视图立体方法在摄影测量3D重建中的比较：从传统方法到基于学习的方法

Yawen Li, George Vosselman, Francesco Nex

机构 * Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente（特温特大学地理信息科学与地球观测学院（ITC）） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文比较了传统与基于学习的多视图立体方法在摄影测量3D重建中的性能，评估了COLMAP与MVSNet、Stereo4D等方法在精度、覆盖范围和运行时间上的表现。

Consensus-based Recursive Multi-Output Gaussian Process

基于共识的递归多输出高斯过程

Yogesh Prasanna Kumar Rao, Tamas Keviczky, Raj Thilak Rajan

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 本文提出基于共识的递归多输出高斯过程框架，通过共享基向量的递归推断与邻居间的信息共识更新，实现并行分布式学习，保持输出间相关性并校准不确定性。

Comments Submitted to International Workshop on Signal Processing and Artificial Intelligence in Wireless Communications (IEEE SPAWC 2026)

EagleVision: A Multi-Task Benchmark for Cross-Domain Perception in High-Speed Autonomous Racing

EagleVision：面向高速自动驾驶赛事的多任务基准测试

Zakhar Yagudin, Murad Mebrahtu, Ren Jin, Jiaqi Huang, Yujia Yue, Dzmitry Tsetserukou, Jorge Dias, Majid Khonji

机构 * Skolkovo Institute of Science, Intelligent Space Robotics Laboratory, Center for Engineering Systems and Sciences（斯科尔科沃科学技术学院，智能空间机器人实验室，工程系统与科学中心） ； Khalifa University, KUCARS-KU Center for Autonomous Robotic Systems, Department of Computer Science（哈利法大学，KUCARS-KU自主机器人系统中心，计算机科学系） ； Beijing Institute of Technology, Beijing Key Laboratory of UAV Autonomous Control（北京理工大学，北京无人机自主控制重点实验室） 纠错

专题命中 仿真评测 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出EagleVision基准测试，用于研究高速自动驾驶赛事中跨领域感知问题，通过统一的LiDAR多任务基准，提供新标注的3D边界框数据及共同评估协议，验证了跨领域泛化能力。

LLM-based Realistic Safety-Critical Driving Video Generation

基于LLM的现实安全关键驾驶视频生成

Yongjie Fu, Ruijian Zha, Pei Tian, Xuan Di

机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） 纠错

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

AI总结 本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成，结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频，提升自动驾驶测试效率。

A Survey on Deep Learning Techniques for Action Anticipation

深度学习在动作预测中的技术综述

Zeyun Zhong, Manuel Martin, Michael Voit, Juergen Gall, Jürgen Beyerer

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Fraunhofer IOSB（弗劳恩霍夫光学、系统技术与图像处理研究所） ； University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所） 纠错

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

AI总结 本文综述了深度学习在日常生活中动作预测的最新进展，分类并总结了相关方法，探讨了评估指标和数据集，并提出了未来研究方向。

Comments If any relevant references are missing, please contact the authors for future inclusion

Spatio-Temporal Analysis of Public Transportation Undercrowding: Leveraging APC Data for a Comprehensive Evaluation of Usage Rates

公共交通拥挤度的时空分析：利用APC数据对使用率进行综合评估

Arianna Burzacchi, Valeria Maria Urbano, Marika Arena, Giovanni Azzone, Piercesare Secchi, Simone Vantini

专题命中 仿真评测 ：occupancy(abstract)

AI总结 本文提出利用APC数据和混合效应模型分析公共交通拥挤度，识别供需差距，探讨影响因素及时间分布。

Comments Pre-print version

Journal ref Public Transport 2026

Energy-Efficient Federated Edge Learning For Small-Scale Datasets in Large IoT Networks

面向大规模物联网网络的小规模数据集的节能联邦边缘学习

Haihui Xie, Wenkun Wen, Shuwu Chen, Zhaogang Shu, Minghua Xia

机构 * College of Computer and Information Sciences, Fujian Agriculture and Forestry University（福建农林大学计算机与信息学院） ； Engineering Research Center of Smart Sensing and Agricultural Chip Technology, Fujian Province University（福建省高校智慧感知与农业芯片技术工程研究中心） ； R&D Department, Techphant Technologies Company Ltd.（广州技象科技有限公司研发部） ； School of Electronics and Information Technology, Sun Yat-sen University（中山大学电子与信息工程学院） 纠错

专题命中 其他自动驾驶 ：autonomous driving(abstract)

AI总结 本文提出一种协作优化框架，用于在小规模数据集上实现高效的联邦边缘学习，通过预期学习损失量化样本数量与学习目标的关系，并设计随机在线学习算法和资源优化问题以提升资源利用效率和学习性能。

Comments 16 pages, 9 figures. To appear in IEEE TWC