视觉与机器人

自动驾驶

自动驾驶感知、规划、BEV、占用预测、激光雷达和仿真评测。

2026-05-12 至 2026-05-12 共收录 3 篇信号源：cs.RO, cs.CV, eess.IV, cs.AI

1. 端到端驾驶 3 篇

2605.10564 2026-05-12 cs.CV cs.RO 84%

DeepSight: Long-Horizon World Modeling via Latent States Prediction for End-to-End Autonomous Driving

DeepSight: 通过潜在状态预测实现长视距世界建模的端到端自动驾驶

Lingjun Zhang, Changjie Wu, Linzhe Shi, Jiangyang Li, Jiaxin Liu, Lei Yang, Hang Zhang, Mu Xu, Hong Wang

机构 * Tsinghua University（清华大学）； Amap, Alibaba Group（阿里巴巴集团Amap）； Nanyang Technological University（南洋理工大学）

专题命中端到端驾驶：autonomous driving(title,abstract)；BEV(abstract)；分类 cs.RO、cs.CV

AI总结本文提出通过鸟瞰图空间预测连续未来帧的潜在语义特征，实现长视距世界建模，并引入高效适应性文本推理机制提升复杂场景下的驾驶性能。

Comments ICML 2026

2605.09701 2026-05-12 cs.CV 83%

DriveFuture: Future-Aware Latent World Models for Autonomous Driving

DriveFuture: 用于自动驾驶的面向未来的潜在世界模型

Yufeng Hong, Xiaotian Zhou, Yingyan Li, Xiangpo Zhou, Lin Liu, Yadan Luo, Shaoqing Xu, Lei Yang, Ziying Song

机构 * Beijing Institute of Technology（北京理工大学）； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）； Beihang University（北航）； Beijing Jiaotong University（北京交通大学）； The University of Queensland（昆士兰大学）； University of Macau（澳门大学）； Nanyang Technological University（南洋理工大学）； School of Artificial Intelligence ( School of Software), Yanshan University（燕山大学人工智能学院（软件学院））

专题命中端到端驾驶：autonomous driving(title,abstract)；trajectory planning(abstract)；分类 cs.CV

AI总结本文提出DriveFuture，一种面向未来的潜在世界建模框架，通过将未来世界状态条件化于当前潜在状态建模过程，提升自动驾驶轨迹规划性能。

Comments 24pages, 7 figures

2605.10388 2026-05-12 cs.CV cs.RO 81%

Temporal Sampling Frequency Matters: A Capacity-Aware Study of End-to-End Driving Trajectory Prediction

时间采样频率至关重要：一种容量感知的端到端驾驶轨迹预测研究

Yumao Liu, Tao Liu, Xiangyu Li, Jiaxiang Li, Ke Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））

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

AI总结本文研究了时间采样频率对端到端驾驶轨迹预测性能的影响，发现较小模型在低或中等频率下表现最佳，而大模型在高频率下表现更优，表明需根据模型和数据集调整采样频率。