自动驾驶

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。