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%。