自动驾驶

Towards Trustworthy and Explainable AI for Perception Models: From Concept to Prototype Vehicle Deployment

面向感知模型的可信与可解释人工智能：从概念到原型车辆部署

Till Beemelmanns, Shayan Sharifi, Manas Mehrotra, Ayushman Choudhuri, Lutz Eckstein

机构 * Institute for Automotive Engineering, RWTH Aachen University（汽车工程研究所，亚琛工业大学） 纠错

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

AI总结 本文提出一个结合鲁棒性、可解释性和不确定性校准的Transformer感知模块，并部署于原型车辆，通过实时可视化验证可信AI的可行性。

Comments Accepted for publication at IEEE ITSC 2026

SFG-ROS: A Resource-Aware Framework for Dense Multi-Agent Perception

SFG-ROS：面向密集多智能体感知的资源感知框架

Constantin Blessing, Elias Geiger, Jakob Häringer, Dennis Grewe, Markus Enzweiler

机构 * Institute for Intelligent Systems, Faculty of Computer Sciences and Engineering（智能系统研究所，计算机科学与工程学院） 纠错

专题命中 感知 ：LiDAR(abstract,abstract_cn)；分类 cs.RO

AI总结 针对ROS 2在多机器人协作感知中的网络饱和与计算开销问题，提出SFG-ROS框架，通过模式驱动的流量路由、按需集中解码和硬件无关容器管道，将网络流量限制为O(1)并减少72.3%的CPU扩展开销。

FusionSense: Tri-Stage Near-Sensor Learning for Runtime-Adaptive Multimodal Edge Intelligence

FusionSense: 用于运行时自适应多模态边缘智能的三阶段近传感器学习

Sanggeon Yun, Ryozo Masukawa, Minhyoung Na, Hyunwoo Oh, Yoshiki Yamaguchi, Wenjun Huang, SungHeon Jeong, Mohsen Imani

机构 * University of California, Irvine（加州大学尔湾分校） ； Kookmin University（韩国国民大学） ； Shibaura Institute of Technology（武藏技术大学） 纠错

专题命中 感知 ：LiDAR(abstract,abstract_cn)

AI总结 提出FusionSense框架，通过三阶段训练（服务器端融合模型学习、过滤安全标签量化模态必要性、边缘融合模型压缩）实现近传感器分类器，在保持任务质量的同时大幅降低能耗和数据传输。

Comments Accepted to ISLPED 2026

Scene Reconstruction as Mapping Priors for 3D Detection

场景重建作为3D检测的映射先验

Yang Fu, Yuliang Zou, Hao Xiang, Xin Huang, Yijing Bai, Chen Song, Weijing Shi, Govind Thattai, Dragomir Anguelov, Mingxing Tan, Yingwei Li

机构 * Waymo LLC（Waymo公司） ； UC San Deigo（加州大学圣地亚哥分校） 纠错

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

AI总结 提出利用自动构建的密集映射先验增强3D检测，设计MPA3D框架融合多模态传感器数据，在Waymo数据集上取得新最优结果。

Comments Accepted to CVPR 2026

CarlaNCAP: A Framework for Quantifying the Safety of Vulnerable Road Users in Infrastructure-Assisted Collective Perception Using EuroNCAP Scenarios

CarlaNCAP：使用EuroNCAP场景量化基础设施辅助集体感知中弱势道路使用者安全性的框架

Jörg Gamerdinger, Sven Teufel, Simon Roller, Oliver Bringmann

机构 * University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group（图宾根大学科学学院计算机科学系嵌入式系统组） 纠错

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

AI总结 提出CarlaNCAP框架，通过包含11000帧安全关键EuroNCAP场景的数据集，评估基础设施辅助集体感知对弱势道路使用者的安全改进，仿真显示事故避免率可达100%。

Signal Temporal Logic Motion Planning via Graphs of Convex Sets

基于凸集图的信号时序逻辑运动规划

Yu Chen, Ancheng Hou, Mingyang Feng, Xiao Yu, Xiang Yin

机构 * School of Automation & Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学） ； Institute of Artificial Intelligence, Xiamen University（人工智能研究院，厦门大学） 纠错

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

AI总结 提出一种结合时间自动机与凸集图的框架，将STL运动规划问题转化为凸集图上的最短路径问题，生成满足STL规范、平滑性和速度约束的贝塞尔样条轨迹。

Does Your Wildfire Prediction Model Actually Work, or Just Score Well?

你的野火预测模型真的有效，还是只是得分高？

Yangshuang Xu, Yuyang Dai, Liling Chang, Qi Wang, Yushun Dong

机构 * Florida State University（佛罗里达州立大学） ； Northeastern University（东北大学） 纠错

专题命中 规划控制 ：occupancy(abstract)；分类 cs.AI

AI总结 针对现有地球基础模型不专门用于野火预测的问题，提出首个专门预训练的野火基础模型WILDFIRE-FM，并引入固定合约评估框架以解决评估设计对结论敏感性的问题。

Comments 25 pages

X-TRACK: Physics-Aware xLSTM for Realistic Vehicle Trajectory Prediction

X-TRACK: 物理感知的xLSTM用于真实车辆轨迹预测

Aanchal Rajesh Chugh, Marion Neumeier, Sebastian Dorn

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

AI总结 提出基于xLSTM的物理感知轨迹预测框架X-TRACK，通过集成车辆运动学约束生成真实可行的高速轨迹，在highD和NGSIM数据集上达到先进水平。

Using Ensemble Diffusion to Estimate Uncertainty for End-to-End Autonomous Driving

使用集成扩散估计端到端自动驾驶的不确定性

Florian Wintel, Sigmund H. Høeg, Gabriel Kiss, Frank Lindseth

机构 * Norwegian University of Science and Technology（挪威科学技术大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；LiDAR(abstract)；trajectory planning(abstract)；end-to-end driving(abstract)

AI总结 提出EnDfuser系统，利用扩散模型作为轨迹规划器，通过集成扩散从单一感知帧生成候选轨迹分布，实现不确定性感知决策，在LAV基准上驾驶评分提升1.7%。

Comments Accepted at NLDL 2026

Distill to Think, Foresee to Act: Cognitive-Physical Reinforcement Learning for Autonomous Driving

蒸馏思考，预见行动：面向自动驾驶的认知-物理强化学习

Yang Wu, Qiang Meng, Zhaojiang Liu, Youquan Liu, Jian Yang, Jin Xie

机构 * NJU（南京大学） ； SJTU（上海交通大学） ； FDU（福建大学） 纠错

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

AI总结 提出CoPhy框架，通过蒸馏VLM知识到BEV编码器实现零推理成本的认知能力，并构建自回归BEV世界模型预测未来语义地图以提供可解释的物理沙盒，结合双奖励机制（物理奖励和安全约束、认知奖励和意图对齐）优化驾驶策略，在NAVSIM基准上取得最优结果。

MapGCLR: Geospatial Contrastive Learning of Representations for Online Vectorized HD Map Construction

MapGCLR: 用于在线矢量化高清地图构建的地理空间对比学习表示

Jonas Merkert, Alexander Blumberg, Jan-Hendrik Pauls, Christoph Stiller

机构 * Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)（测量与控制系，卡尔斯鲁厄理工学院（KIT）） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；分类 cs.RO、cs.CV

AI总结 提出一种基于地理空间一致性的对比损失方法，通过自监督学习改进鸟瞰图特征网格表示，以半监督方式减少标注需求，提升在线矢量化高清地图构建性能。

Quantum Geometric Origin of Non-Adiabatic Instability in Driven Bosonic Systemss

驱动玻色子系统中非绝热不稳定性的量子几何起源

A. M. Tishin

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文通过量子几何张量解释驱动量子态在投影希尔伯特空间中的演化速度，建立了非绝热不稳定性的局部几何判据，并揭示了非线性抑制机制。

Comments 15 pages. 1 figure

Skyrme SV density-functional analysis of the $2νββ$ decay in $^{76}$Ge

基于Skyrme SV密度泛函的$^{76}$Ge中$2νββ$衰变分析

Jan Miśkiewicz, Jakub Wysocki, Wojciech Satuła

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 利用无核芯组态相互作用框架和Skyrme SV密度泛函，通过分析$0g_{9/2}$侵入轨道的占据数和子核的三轴性，研究了$^{76}$Ge的双中微子双贝塔衰变，发现核矩阵元强烈依赖于衰变场景，并揭示了理论建模的挑战。

Comments 12 pages, 13 figures

RS2AD-LiDAR: End-to-End Autonomous Driving LiDAR Data Generation from Roadside Sensor Observations

RS2AD-LiDAR：基于路侧传感器观测的端到端自动驾驶LiDAR数据生成

Runyi Huang, Ni Ding, Ruidan Xing, Yuheng Shi, Lei He, Keqiang Li

机构 * State Key Laboratory of Intelligent Green Vehicle and Mobility（智能绿色车辆与移动国家重点实验室） ； School of Vehicle and Mobility（车辆与移动学院） ； College of Artificial Intelligence（人工智能学院） ； Logic & Silicon AI Studio ； School of Instrumentation and Optoelectronic Engineering（仪器科学与光电工程学院） 纠错

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

AI总结 提出RS2AD-LiDAR框架，通过坐标变换、虚拟LiDAR建模和点云重采样技术，从路侧LiDAR点云生成车载LiDAR数据，解决数据获取成本高和场景稀缺问题，并验证生成数据对BEV和3D检测的提升效果。

Calibration-Informative Region Selection for Online LiDAR--Camera Calibration in Agricultural Environments

农业环境中在线LiDAR-相机标定的标定信息区域选择

Rajitha de Silva, Grzegorz Cielniak

机构 * Lincoln Institute for Agri-Food Technology, University of Lincoln, UK（林肯农业食品技术研究所，林肯大学，英国） 纠错

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

AI总结 提出一种基于支持图的在线LiDAR-相机标定方法，通过密集标定支持图识别可靠观测区域，提升标定精度。

Comments Accepted to ICRA 2026 Workshop on Agricultural Robotics

Joint Target-Less Intrinsic and Extrinsic Camera-LiDAR Calibration using Deep Point Correspondences

基于深度点对应的无靶标联合相机-激光雷达内参和外参标定

Simon Bultmann, Daniele Cattaneo, Abhinav Valada

机构 * Department of Computer Science, University of Freiburg, Germany（弗赖堡大学计算机科学系） 纠错

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

AI总结 提出首个完全无靶标的联合标定流程，通过深度像素-点对应同时估计相机内参（含畸变）和相机-激光雷达外参，并采用结构运动初始化内参、联合非线性优化。

Comments presented at 2nd German Robotics Conference (GRC)

Fundamental Bounds and Efficient Estimation for Dead-Time-Constrained Event Detection, with Application to Single-Photon Lidar

死时间约束事件检测的基本界限与高效估计，及其在单光子激光雷达中的应用

Frederic J. N. Jorgensen, Steven G. Johnson

专题命中 激光雷达 ：LiDAR(title,abstract)

AI总结 针对非麻痹性死时间和门控约束下的周期二元事件检测过程，提出渐近统计理论，推导估计的基本下界并证明最大似然估计和Le Cam一步估计可达到该下界。

Comments 24 pages, 5 figures

Lipschitz Optimization for Formal Verification of Homographies

单应性矩阵形式化验证的Lipschitz优化

Jean-Guillaume Durand, Panagiotis Kouvaros, Maxime Gariel, Alessio Lomuscio

机构 * Joby Aviation（Joby航空） ； Safe Intelligence 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 提出一种利用Lipschitz优化和分段连续性对单应性矩阵进行形式化验证的方法，首次实现对投影几何变换的鲁棒性验证，在基准测试中取得最高89%加速和7%更紧的边界。

Comments 18 pages, 13 figures, 6 tables, to be published at CVPR 2026

To Overlay or to Customize? Revisiting Architectural Choices in Heterogeneous Systems

覆盖还是定制？异构系统中架构选择的再探讨

Xingzhen Chen, Shixin Ji, Zheng Dong, Peipei Zhou

专题命中 其他自动驾驶 ：autonomous driving(abstract)

AI总结 本文从部署角度系统研究了覆盖架构与定制加速架构在自动驾驶场景中的权衡，分析了工作负载变化、架构设计、重配置延迟和切换频率等实际条件下的适用性。