自动驾驶

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。