自动驾驶

Towards Practical Lossless Neural Compression for LiDAR Point Clouds

面向激光雷达点云的实际无损神经压缩

Pengpeng Yu, Haoran Li, Runqing Jiang, Dingquan Li, Jing Wang, Liang Lin, Yulan Guo

机构 * Sun Yat-sen University, China（中山大学） ； Pengcheng Laboratory, China（鹏城实验室） 纠错

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

AI总结 提出紧凑表示实现高效预测无损编码，通过几何重密化模块和跨尺度特征传播模块解决稀疏点云上下文建模难题，实现实时速度下的竞争性压缩性能。

Comments arXiv admin note: substantial text overlap with arXiv:2508.20466

A UAV-Based Multi-Modal Vision System for Automated Sideslope Deformation Monitoring and Hazard Detection

基于无人机多模态视觉系统的边坡变形自动监测与灾害检测

Jingfeng Zhang, Yi Li, Xianchong Liang, Huan Yang

机构 * South China Normal University（华南师范大学） 纠错

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

AI总结 提出一种基于无人机LiDAR的自动化边坡灾害检测流程，包括数据采集、地面点提取、单次观测灾害筛查和多次观测变形监测，实现厘米级形变量化与危险区域识别。

Comments 29 pages, 14 figures

LOGOS: LiDAR-Only Gaussian Elevation Splatting for Unified Tiny Obstacle Segmentation

LOGOS: 仅基于激光雷达的高斯高程喷溅用于统一微小障碍物分割

Nan Ming, Yeqiang Qian, Chunxiang Wang, Ming Yang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） 纠错

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

AI总结 提出LOGOS系统，通过将路面建模为2D高斯原语的连续混合，利用无反向传播的激光雷达方法估计高程，实现微小障碍物分割，在道路和越野场景中优于现有方法。

vS-Graphs: Tightly Coupling Visual SLAM and 3D Scene Graphs Exploiting Hierarchical Scene Understanding

vS-Graphs: 通过分层场景理解紧密耦合视觉SLAM与3D场景图

Ali Tourani, Saad Ejaz, Hriday Bavle, Miguel Fernandez-Cortizas, David Morilla-Cabello, Jose Luis Sanchez-Lopez, Holger Voos

机构 * Automation and Robotics Research Group, Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg（卢森堡大学自动化与机器人研究组，安全、可靠性与信任跨学科中心） ； Institute for Advanced Studies (IAS), University of Luxembourg（卢森堡大学高级研究院） ； Faculty of Science, Technology, and Medicine, University of Luxembourg（卢森堡大学科学、技术与医学学院） ； Instituto de Investigación en Ingeniería de Aragón (I3A), Universidad de Zaragoza（阿拉贡大学工程研究所（I3A）） 纠错

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

AI总结 本文提出vS-Graphs框架，通过结合视觉场景理解与地图重建，提升地图语义丰富度和可解释性，实验表明其在多个数据集上比现有方法提升15.22%的精度。

Comments 20 pages, 10 figures, 5 tables