自动驾驶

Towards Safety-Aware Mutation Testing for Autonomous Driving Systems

面向自动驾驶系统的安全感知变异测试

Donghwan Shin

专题命中 感知 ：autonomous driving(title,abstract)

AI总结 提出安全感知变异测试（SAMT），通过注入模块间消息故障模拟交互失效，基于STPA生成突变体，评估测试充分性并指导场景生成与系统修复。

Comments 6 pages; vision paper

OctoSense: Self-Supervised Learning for Multimodal Robot Perception

OctoSense: 多模态机器人感知的自监督学习

Anthony Bisulco, Jeremy Wang, Kostas Daniilidis, Randall Balestriero, Pratik Chaudhari

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

AI总结 提出OctoSense传感器平台和数据集，通过“晚融合”掩码自编码器实现多模态自监督学习，在多种退化条件下鲁棒预测光流、深度、语义分割和自运动。

Unsupervised Memory-Enhanced Video Transformers: Obstacle Detection for Autonomous Agricultural Rover

无监督记忆增强视频变换器：自主农业机器人的障碍物检测

Théo Biardeau, Anne-Sophie Capelle-Laizé, Salwan Alwan, David Helbert

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

AI总结 提出VMTAD，一种无监督方法，利用记忆增强的变换器处理动态场景，实现农业机器人实时障碍物检测，在油菜数据集上达到SOTA性能。

Journal ref Precision Agriculture, 2026, 27 (3), pp.74

Counting Trees from Satellite Imagery with Noisy Supervision

基于噪声监督的卫星图像树木计数

Dimitri Gominski, Maurice Mugabowindekwe, Qiue Xu, Xiaowei Tong, Martin Brandt, Hieu Le, Rasmus Fensholt, Dimitris Samaras, Loic Landrieu

机构 * University of Copenhagen（哥本哈根大学） ； University of Rwanda（卢旺达大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Stony Brook University（石溪大学） ； LIGM, CNRS, Univ Gustave Eiffel, ENPC, IPP（LIGM，CNRS，古斯塔夫·埃菲尔大学，ENPC，IPP） 纠错

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

AI总结 针对卫星图像中树木计数任务，提出基于非平衡最优传输的空间密度匹配方法，并引入自校正机制利用传输残差逐步优化噪声监督，在跨三大洲的TinyTrees基准上优于检测、回归和传输匹配基线。

SPARK: Low Latency Single-Camera 3D Pose Estimation for Autonomous Racing using Keypoints

SPARK: 基于关键点的自动驾驶赛车低延迟单摄像头3D姿态估计

Dominic Ebner, Markus Lienkamp

机构 * Technical University of Munich（慕尼黑工业大学） ； School of Engineering & Design, Department of Mobility Systems Engineering, Institute of Automotive Technology（工程与设计学院，移动系统工程系，汽车技术研究所） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） 纠错

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

AI总结 提出SPARK算法，利用单摄像头和关键点检测实现自动驾驶赛车中低延迟、高精度的3D姿态估计，性能优于现有方法。

Comments 9 pages, 6 figures, ITSC 2026, Invited Session

KRVF: A Source-Aware Semantic Voxel World Representation for Edge Mobile Manipulation

KRVF：面向边缘移动操作的源感知语义体素世界表示

Runfeng Ling

机构 * The University of Manchester（曼彻斯特大学） 纠错

专题命中 感知 ：occupancy(abstract)；分类 cs.RO

AI总结 提出KRVF，一种源感知语义体素表示，用于边缘移动操作，通过任务导向体素编码占用、语义、时间新鲜度和证据源，实现深度故障感知推理和映射-感知闭环。

Comments Technical report, 9 pages, 3 figures

False Positives, False Negatives, and the Detection-Only Problem: A Hierarchical Model for Species Occurrence with Observation Error

假阳性、假阴性及仅检测问题：带观测误差的物种出现层次模型

Kabiru Abubakari, Eleni Matechou, Marie C. Henniges, Ilia J. Leitch, Andrew R. Leitch, Silvia Liverani

专题命中 感知 ：occupancy(abstract)

AI总结 本文提出统一术语框架，将占用模型、物种分布模型和仅存在模型视为层次观测过程的特例，并针对仅检测数据提出首个同时考虑假阳性和假阴性误差的层次模型，通过先验分布实现可识别性。