自动驾驶

SafeAlign-VLA: A Negative-Enhanced Safe Alignment Framework for Risk-Aware Autonomous Driving

SafeAlign-VLA: 一种增强负样本的安全对齐框架用于风险感知的自动驾驶

Kefei Tian, Yuansheng Lian, Kai Yang, Xiangdong Chen, Shen Li

机构 * College of Transportation, Tongji University（同济大学交通运输学院） ； Department of Civil Engineering, Tsinghua University（清华大学土木工程系） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） ； Department of Civil and Environmental Engineering, National University of Singapore（新加坡国立大学土木与环境工程系） 纠错

专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 本文提出SafeAlign-VLA框架，通过整合负样本数据提升自动驾驶系统对安全边界的理解，通过生成安全标签和反事实轨迹，结合两阶段训练策略和基于锚点的群体相对策略优化，提高了自动驾驶的安全性和鲁棒性。

CADENet: Condition-Adaptive Asynchronous Dual-Stream Enhancement Network for Adverse Weather Perception in Autonomous Driving

CADENet：条件自适应异步双流增强网络用于自动驾驶中的恶劣天气感知

Sherif Khairy, Catherine M. Elias

机构 * Computer Science & Engineering Department, German University in Cairo (GUC), Egypt（德国开罗大学（GUC）计算机科学与工程系，埃及） ； C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems, Cairo, Egypt（认知驾驶系统实验室（C-DRiVeS Lab），开罗，埃及） 纠错

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

AI总结 本文提出CADENet，一种无需训练的三线系统，通过条件自适应增强和熵引导NMS融合，实现自动驾驶中恶劣天气下的目标检测，同时无需重新训练或额外硬件。

OP2GS: Object-Aware 3D Gaussian Splatting with Dual-Opacity Primitives

OP2GS: 带双不透明度的物体感知3D高斯散射

Guiyu Liu, Niklas Vaara, Janne Mustaniemi, Juho Kannala, Janne Heikkilä

机构 * Center for Machine Vision and Signal Analysis, University of Oulu, Finland（奥卢大学机器视觉与信号分析中心，芬兰） ； Aalto University, Finland（阿尔托大学，芬兰） 纠错

专题命中 感知 ：occupancy(abstract)；分类 cs.CV

AI总结 OP2GS通过引入双不透明度机制，为每个原始体素添加显式实例身份和专用实例不透明度σ*，以解决3D高斯散射在物体层面身份缺失的问题，从而提升开放词汇场景理解的性能。

Comments Under review

Real-World On-Vehicle Evaluation of Embedding-Based Anomaly Detection

车载场景中基于嵌入的异常检测实测

Albert Schotschneider, Daniel Bogdoll, Svetlana Pavlitska, Ahmed Abouelazm, Johann Marius Zoellner

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

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

AI总结 本文提出了一种适应性强的实时异常检测方法，利用预训练视觉变换器嵌入来检测潜在异常，通过在潜在语义特征空间中使用最近邻相似性检测偏差，并在真实世界场景中评估了该方法的性能。

Comments Accepted at CVPR 2026 Workshop AUTOPILOT-NA

CosFly: Plan in the Matrix, Fly in the World

CosFly：矩阵中的计划，世界中的飞行

Hanxuan Chen, Xiangyue Wang, Songsheng Cheng, Ruilong Ren, Jie Zheng, Shuai Yuan, Tianle Zeng, Hanzhong Guo, Binbo Li, Kangli Wang, Ji Pei

机构 * Autel Robotics（Autel机器人公司） ； Nanjing University（南京大学） ； Peking University（北京大学） ； Southern University of Science and Technology（南方科技大学） ； University of Hong Kong（香港大学） 纠错

专题命中 感知 ：trajectory planning(abstract)；分类 cs.RO

AI总结 本文提出CosFly，一个用于空中跟踪的盒状结构规划和多模态模拟流程，以及CosFly-Track大规模无人机数据集，用于在多样环境中动态目标跟踪。CosFly通过将复杂的3D世界转换为结构化障碍表示进行规划，然后将轨迹投影到多模态传感器数据中，并支持可配置的固定视角缩放级别。

Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform

轨迹规划与控制在极限情况下的研究：RoboRacer平台上的开放实验基准

Mattia Piccinini, Patrick Zambiasi, Aniello Mungiello, Mattia Piazza, Felix Jahncke, Johannnes Betz

机构 * Professorship of Autonomous Vehicle Systems, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑技术大学） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI）） ； Avilus GmbH（Avilus GmbH公司） ； Department of Information Technology and Electrical Engineering (DIETI), University of Naples Federico II（那不勒斯费德里科二世大学信息科技与电气工程系（DIETI）） ； Dept. of Industrial Engineering, University of Trento（特伦托大学工业工程系） 纠错

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

AI总结 本文提出了一种模块化框架，用于评估轨迹规划和控制在高加速度 maneuver 中的新方法和现有方法，通过 RoboRacer 平台上的两个赛道测试，展示了 MS-NN 在提高跟踪精度和减少转向振荡方面的优势，以及在线速度重计划对提高 lap 时间和安全速度的贡献。

Comments Accepted - 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC)

VECTOR-Drive: Tightly Coupled Vision-Language and Trajectory Expert Routing for End-to-End Autonomous Driving

VECTOR-Drive: 紧密耦合的视觉-语言与轨迹专家路由用于端到端自动驾驶

Rui Zhao, Jianlin Yu, Zhenhai Gao, Jiaqiao Liu, Fei Gao

机构 * College of Automotive Engineering, Jilin University（吉林大学汽车工程学院） ； The National Key Laboratory of Automotive Chassis Integration and Bionics, Jilin University（吉林大学汽车底盘集成与生物力学国家级重点实验室） ； ReeFocus AI Technology（ReeFocus人工智能技术） 纠错

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

AI总结 本文提出VECTOR-DRIVE框架，通过紧密耦合的视觉-语言与轨迹专家路由，解决端到端自动驾驶中视觉语言理解和轨迹预测之间的耦合问题，实现更高的任务性能。

Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions

基于学习的优化轨迹规划用于协作的空中-地面切换任务

Jingshan Chen, Bochen Yu, Henrik Ebel, Peter Eberhard

机构 * Institute of Engineering and Computational Mechanics, University of Stuttgart, 70569 Stuttgart, Germany（工程与计算力学研究所，斯图加特大学，德国斯图加特70569） ； Mechanical Engineering, LUT University, 53850 Lappeenranta, Finland（机械工程，卢蒂大学，芬兰拉佩恩兰塔53850） 纠错

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

AI总结 本文提出了一种结合学习的轨迹规划框架，用于协同无人 aerial 和 ground 车辆的切换任务，通过使用解耦的编码器-解码器 LSTM 网络生成协调的切换轨迹预测，从而加速优化过程，实现更快的收敛和更高的优化成功率。

Comments Preprint of a contribution accepted for publication in the RoManSy 2026 Springer proceedings

A PDE-constrained Optimization Approach to Optimal Trajectory Planning under Uncertainty via Reflected Schrödinger Bridges

通过反射薛定谔桥问题实现不确定性下的最优轨迹规划的PDE约束优化方法

Dante Kalise, Wenxin Liu

专题命中 规划控制 ：trajectory planning(title,abstract)

AI总结 本文提出了一种基于反射薛定谔桥问题的PDE约束优化方法，用于在不确定性下进行最优轨迹规划。该方法通过将问题转化为均场极限，结合非线性Fokker-Planck方程和Hamilton-Jacobi-Bellman方程，利用Hopf-Cole变换将非线性系统转换为可高效求解的正向-反向对流扩散方程，验证了在复杂几何中计算最优控制的有效性。

Implicit Action Chunking for Smooth Continuous Control

隐式动作分块用于平滑连续控制

Bosun Liang, Shuo Pei, Zirui Chen, Chuanzhi Fan, Chen Sun, Yuankai Wu, Huachun Tan, Yong Wang

机构 * Department of Data and Systems Engineering, The University of Hong Kong, Hong Kong SAR, China（香港大学数据与系统工程系） ； Beijing Institute of Technology, Zhuhai, China（北京理工大学珠海学院） ； College of Computer Science, Sichuan University, Chengdu, China（四川大学计算机学院） 纠错

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

AI总结 本文提出了一种隐式动作分块框架Dual-Window Smoothing (DWS)，用于实现平滑的连续控制。该方法通过双窗口设计，在不扩展动作空间的情况下，确保物理平滑性和时间差分目标的一致性，从而解决传统显式动作分块方法的优化困难和与标准逐步交互不兼容的问题。

KIO-planner: Attention-Guided Single-Stage Motion Planning with Dual Mapping for UAV Navigation

KIO-planner: 基于双映射的注意力引导单阶段运动规划用于无人机导航

Dexing Yao, Haochen Li, Junhao Wei, Yifu Zhao, Yanxiao Li, Jiahui Xu, Jinxuan Hu, Lele Tian, Baili Lu, Zikun Li, Xu Yang, Sio-Kei Im, Dingcheng Yang, Yapeng Wang

机构 * Faculty of Applied Sciences（应用科学学院） ； Macao Polytechnic University（澳门理工学院） ； College of Animal Science and Technology（动物科学与技术学院） ； Zhongkai University of Agriculture and Engineering（仲恺农业工程学院） ； School of Economics and Management（经济管理学院） ； South China Normal University（华南师范大学） ； Information Engineering School（信息工程学院） 纠错

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

AI总结 本文提出KIO-planner，一种基于注意力引导的单阶段轨迹规划框架，通过整合CBAM模块和双映射机制，实现了在密集障碍环境中低延迟、可靠的运动规划，提高了导航的敏捷性和安全性。

Comments Accepted by an IEEE Vehicular Technology Conference. 6 pages, 4 figures, 1 table

Guiding Neuro-Symbolic Scenario Generation with Spatio-Temporal Logic

用时空逻辑引导神经符号场景生成

Lorenzo Bonin, Francesco Giacomarra, Luca Bortolussi, Jyotirmoy V. Deshmukh, Francesca Cairoli

机构 * University of Trieste（特里埃斯特大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 本研究提出STRELGen框架，结合扩散模型和时空逻辑规范，高效生成安全关键的多智能体驾驶场景，提升自动驾驶系统的鲁棒性验证能力。

VL-DPO: Vision-Language-Guided Finetuning for Preference-Aligned Autonomous Driving

VL-DPO：基于视觉语言的偏好对齐自动驾驶微调

Zhefan Xu, Ghassen Jerfel, Marina Haliem, Qi Zhao, Jeonhyung Kang, Khaled S. Refaat

机构 * Waymo 纠错

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

AI总结 本文提出VL-DPO，一种基于视觉语言模型的框架，通过零样本推理生成偏好对来微调自动驾驶模型，以提升与人类驾驶偏好的对齐程度，实验表明该方法在RFS和ADE指标上均优于基线模型。

Comments Published in International Conference on Robotics and Automation (ICRA), 2026 8 pages, 6 figures, 4 tables

HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models

HEAT: 基于轨迹引导的世界模型实现异构端到端自动驾驶

Hoonhee Cho, Giwon Lee, Jae-Young Kang, Hyemin Yang, Heejun Park, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出一种基于轨迹引导的学习方法，通过规划轨迹组织训练，使模型能够捕捉驾驶意图的领域不变表示，并结合预测未来潜在特征的世界模型，提高特征一致性并缓解领域偏见，从而在多个异构数据集上实现强性能。

Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling

基于因果性的端到端自动驾驶：通过以自身为中心的联合场景建模

Seokha Moon, Minseung Lee, Joon Seo, Jinkyu Kim, Jungbeom Lee

机构 * Korea University（韩国大学） ； Kakao Mobility 纠错

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

AI总结 本文提出CaAD框架，通过共享潜在场景表示捕捉车辆与周围代理之间的因果依赖关系，以提高端到端自动驾驶的闭环规划性能。

KG-ASG: Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation With Primary-Support Attribution

KG-ASG: 基于碰撞知识的闭环对抗场景生成与主支持属性

Cheng Wang, Chen Xiong, Ziwen Wang, Yuchen Zhou, Qiang Liu

机构 * Guangdong Provincial Key Laboratory of Intelligent Transportation System, School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（广东省智能交通系统重点实验室，智能系统工程学院，中山大学深圳校区） 纠错

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

AI总结 本文提出KG-ASG框架，通过碰撞知识引导和主支持属性，提高自动驾驶系统安全验证的对抗有效性、可解释性和可执行性。

Fast-BEV++: Fast by Algorithm, Deployable by Design

Fast-BEV++: 通过算法加速，通过设计部署

Yuanpeng Chen, Hui Song, Sheng Yang, Wei Tao, Shanhui Mo, Shuang Zhang, Xiao Hua, Tiankun Zhao

机构 * iMotion Automotive Technology (Suzhou) Co., Ltd（iMotion汽车技术（苏州）有限公司） ； School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

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

AI总结 本文提出Fast-BEV++，通过算法加速和设计部署两个原则，解决自动驾驶中低成本鸟眼视图感知在精度与部署效率之间的矛盾，实现了3倍速度提升并在nuScenes基准上取得0.488 NDS的新状态-of-the-art结果，同时在134 FPS以上实现实时推理。

Comments most up-to-date version

Bézier Degradation Modeling for LiDAR-based Human Motion Capture

基于LiDAR的人体动作捕捉的贝塞尔退化建模

Xiaoqi An, Lin Zhao, Jun Li, Chen Gong, Jian Yang

机构 * PCA Lab, School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院精密仪器实验室，南京理工大学） ； PCA Lab, School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院精密仪器实验室，南京大学） 纠错

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

AI总结 本文提出BMLiCap框架，通过时间可压缩的贝塞尔曲线建模人体动作，采用轨迹保留策略减少控制点，设计渐进式动作重建模块，利用时间尺度运动变换器和多级动作聚合器有效融合多尺度曲线，以提高复杂场景下的动作重建精度和时间连续性。

Comments Accepted by CVPR 2026

3D Modeling and Automated Measurement of Concrete Cracks via Segment Anything Refinement and Visual Inertial LiDAR Fusion

通过段落任何精修和视觉惯性LiDAR融合进行混凝土裂缝的3D建模与自动测量

Pengru Deng, Jiapeng Yao, Chun Li, Su Wang, Xinrun Li, Varun Ojha, Xuhui He

机构 * School of Civil Engineering（土木工程学院） ； Central South University（中南大学） ； Hunan Provincial Key Laboratory for Disaster Prevention and Mitigation of Rail Transit Engineering Structures（湖南省铁路工程结构灾害预防与 mitigation 工程结构重点实验室） ； Nvidia ； School of Computing（计算学院） ； Newcastle University（新castle大学） 纠错

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

AI总结 本文提出了一种结合计算机视觉技术和多模态同时定位与建图（SLAM）的创新框架，用于二维裂缝检测、三维重建和三维自动裂缝测量，解决了现有方法在适应性和鲁棒性方面的不足，特别是在处理曲线或复杂几何形状时的挑战。

Comments Title and author list updated

Journal ref Computer-Aided Civil and Infrastructure Engineering, Volume 45, 2026, 100019, ISSN 1093-9687

StruMPL: Multi-task Dense Regression under Disjoint Partial Supervision and MNAR Labels

StruMPL：在不相交的部分监督和MNAR标签下的多任务密集回归

Reza M. Asiyabi, Juan Alberto Molina-Valero, The SEOSAW Partnership, Steven Hancock, Casey M. Ryan

机构 * School of Geosciences, University of Edinburgh, UK（爱丁堡大学地球科学学院，英国） ； National Centre for Earth Observation (NCEO), UK（英国地球观测国家中心） ； Department of Spatial Sciences, Faculty of Environmental Sciences Czech University of Life Sciences Prague, Praha, Czech Republic（环境科学学院空间科学系，捷克布拉格生命科学大学） 纠错

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

AI总结 本文针对在不相交的部分监督和MNAR标签下的多任务密集回归问题，提出StruMPL方法，通过共享编码器和可学习的物理模块，结合Augmented IPW损失函数，提高了对森林地上生物量的估计精度。

Comments 10 pages with 3 figures and 4 tables, References and Appendix 12 pages with 1 figure and 4 tables

Smartphone-based Circular Plot Sampling for Forest Inventory

基于智能手机的圆形采样法用于森林调查

Su Sun, Jui-Cheng Chiu, Nabin Khanal, Songlin Fei, Yingjie Victor Chen

机构 * School of Applied and Creative Computing, Purdue University（应用与创意计算学院，普渡大学） ； Department of Forestry and Natural Resources, Purdue University（林业与自然资源学院，普渡大学） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出了一种基于智能手机的轻量级pipeline，通过单次 walkthrough 视频实现完整的圆形采样法树测量，无需额外专业硬件，结合预训练的单目深度估计和树实例分割与SLAM框架，实现相机轨迹和深度的联合优化，从而获得树的位置和胸径估计，具有较高的准确性和可扩展性。

Ozone: A Unified Platform for Transportation Research

Ozone：交通研究的统一平台

Ou Zheng, Ruyi Feng, Yufeng Yang, Shengxuan Ding, Lishengsa Yue, Ye Li, Yunhan Zheng, Minwei Kong, Dingyi Zhuang, Ao Qu, Zhibin Li, Meng Li, Dongjie Wang, Wangyang Ying

专题命中 仿真评测 ：LiDAR(abstract)

AI总结 本文提出Ozone平台，通过统一的数据标准、模型接口和评估协议，解决交通研究中异构数据源的可重复性、跨数据集基准测试和跨区域迁移性问题，提升实验设置效率和跨城市安全模型迁移效率。