自动驾驶

Sub-Footprint Effect Correction in FW-LiDAR Point Clouds via Intra-Footprint Target Unmixing

通过内在足迹目标解混实现FW-LiDAR点云中的子足迹效应校正

Zhen Xiao, Yanfeng Gu, Xian Li

机构 * School of Electronics and Information Engineering, Harbin Institute of Technology（哈尔滨工业大学电子与信息工程学院） 纠错

专题命中 激光雷达 ：LiDAR(title,title_cn)

AI总结 本文提出基于物理的框架，通过显式解混处理FW-LiDAR点云中的子足迹效应，利用时空激光束分布模型和辅助信息解混，提升异质目标语义分离和同质目标强度一致性。

Comments 11 pages,7 figures

Height-Guided Projection Reparameterization for Camera-LiDAR Occupancy

基于高度引导的投影重参数化方法用于相机-激光雷达点云

Yuan Wu, Zhiqiang Yan, Jiawei Lian, Zhengxue Wang, Jian Yang

机构 * Nanjing University of Science and Technology（南京理工大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本文提出HiPR方法，通过高度引导的投影重参数化提升点云预测精度，改进投影空间采样以适应真实场景的高度变化，增强特征聚合稳定性。

Safe Aerial 3D Path Planning for Autonomous UAVs using Magnetic Potential Fields

基于磁势场的自主无人机安全三维路径规划

Haechan Mark Bong, Giovanni Beltrame

机构 * Department of Computer Engineering and Software Engineering, Polytechnique Montréal（蒙特利尔理工学院计算机工程与软件工程系） ； MILA（蒙特利尔人工智能实验室） 纠错

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

AI总结 本文提出3DMaxConvNet，通过卷积自编码器从LiDAR点云生成障碍物感知的磁势场，实现高效安全的三维路径规划，在不同城市环境中均取得100%成功率，且运行速度显著优于A*和RRT*(3k)。

MTA-RL: Robust Urban Driving via Multi-modal Transformer-based 3D Affordances and Reinforcement Learning

MTA-RL：通过多模态Transformer-based 3D affordances和强化学习实现鲁棒的城市驾驶

Guangli Chen, Dianzhao Li, Wenjian Zhong, Bangquan Xie, Ostap Okhrin

机构 * Dongguan Key Laboratory of Intelligent Equipment and Smart Industry, School of Advanced Engineering, Great Bay University（东莞智能装备与智能制造重点实验室，先进工程学院，大湾大学） ； Chair of Applied Statistics, Technische Universität Dresden（应用统计学教授职位，德累斯顿技术大学） ； Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据解析与人工智能中心（ScaDS.AI）） ； College of Automation, Guangdong University of Technology（自动化学院，广东技术大学） 纠错

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

AI总结 本文提出MTA-RL框架，通过多模态Transformer-based 3D affordances和强化学习实现可靠的城市自动驾驶，提升样本效率和稳定性，优于现有基线方法。

3DRO: Lidar-level SE(3) Direct Radar Odometry Using a 2D Imaging Radar and a Gyroscope

3DRO：基于2D成像雷达和陀螺仪的激光雷达级SE(3)直接雷达里程计

Cedric Le Gentil, Daniil Lisus, Timothy D. Barfoot

机构 * Robotics Institute, University of Toronto（多伦多大学机器人研究所） ； Mobile Robotics Lab, ETH Zurich（苏黎世联邦理工学院移动机器人实验室） 纠错

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

AI总结 本文提出3DRO，扩展SE(2)直接雷达里程计框架以实现SE(3)状态估计，通过2D速度估计保持数据平面性并结合3D陀螺仪测量，实现激光雷达级精度。

Comments Accepted for presentation at the ICRA 2026 Workshop on Radar in Robotics (poster: https://drive.google.com/file/d/1P_iBrGxPiZL644B-dHxbvdY-UJUzd4Kp/view )

MAG-VLAQ: Multi-modal Aerial-Ground Query Aggregation for Cross-View Place Recognition

MAG-VLAQ：多模态空-地查询聚合用于跨视角地点识别

Zhengyi Xu, Yuhang Ming, Zhihao Zhan, Hanyu Zhu, Javier Civera, Wanzeng Kong

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； TopXGun Robotics（TopXGun机器人） ； University of Zaragoza（萨拉戈萨大学） 纠错

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

AI总结 本文提出MAG-VLAQ框架，通过预训练基础模型提取多模态特征并融合，提升空地跨视角地点识别性能，实验表明在KITTI360-AG数据集上性能提升显著。

Comments 16 pages, 4 figures, 3 tables

Learning Point Cloud Geometry as a Statistical Manifold: Theory and Practice

学习点云几何作为统计流形：理论与实践

Jinwoo Lee, Jiwoo Kim, Woojae Shin, Giseop Kim, Hyondong Oh

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出Point-to-Ellipsoid方法，通过统计流形建模实现点云几何的自监督学习，提升机器人感知任务的几何推理能力与鲁棒性。

Implicit Neural Compression of Point Clouds

隐式神经网络点云压缩

Hongning Ruan, Yulin Shao, Qianqian Yang, Liang Zhao, Zhaoyang Zhang, Dusit Niyato

机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） 纠错

专题命中 激光雷达 ：occupancy(abstract)；分类 cs.CV

AI总结 本文提出NeRC³框架，利用隐式神经表示实现点云的高效压缩，通过坐标基神经网络编码几何与属性，并扩展至动态点云压缩，实验验证其在静态和动态点云压缩中的优越性能。

Journal ref IEEE Transactions on Image Processing, vol. 35, pp. 260-275, 2026

Continuum Robot Localization using Distributed Time-of-Flight Sensors

基于分布式飞行时间传感器的连续机器人定位

Spencer Teetaert, Giammarco Caroleo, Marco Pontin, Sven Lilge, Jessica Burgner-Kahrs, Timothy D. Barfoot, Perla Maiolino

机构 * University of Toronto Robotics Institute, Canada（多伦多大学机器人研究所，加拿大） ； Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，英国） ； Toronto Metropolitan University, Canada（多伦多 Metropolitan 大学，加拿大） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出了一种利用小型低分辨率飞行时间传感器进行连续机器人定位的方法，通过融合传感器数据与机器人形状先验信息，实现了在复杂环境中高精度的定位与建图。

Comments Print version, to be published at Robotics: Science and Systems (RSS) 2026