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。