自动驾驶

A Reliable Context-Aware and Temporal Planning Framework for Autonomous Driving

一种用于自动驾驶的可靠上下文感知和时间规划框架

Argho Dey, Yunfei Yin, Swachha Ray, Md Minhazul Islam, Zheng Yuan, Sijing Xiong, Hongyu Liu, Zhiqiu Huang

专题命中 感知 ：autonomous driving(title,abstract)；BEV(abstract)；trajectory planning(abstract)；分类 cs.RO、cs.CV

AI总结 研究自动驾驶中车载传感退化时的可靠感知与规划问题，提出RCT-AD框架，通过显式建模特征质量和时间一致性，经可靠上下文感知模块和时间轨迹规划器等提升感知、预测及规划能力。

Comments Submitted to IEEE Transactions on Intelligent Transportation Systems. 12 pages, 6 figures

RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather

RAF：用于恶劣天气下稳健3D目标检测的相机、激光雷达和4D雷达的可靠性感知融合

Heejun Park, Jaeseok Jeong, Kuk-Jin Yoon

机构 * Visual Intelligence Lab., KAIST（韩国科学技术院视觉智能实验室） 纠错

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

AI总结 针对恶劣天气下多传感器3D目标检测难题，提出RAF方法，通过明确监督像素可靠性估计，利用预训练网络，仅训练新增相机分支等，实验证明该方法有效提升检测精度。

Comments ECCV 2026

Compressing the Validation Bottleneck: An Agentic Self-Driving Lab for Scientific Discovery

压缩验证瓶颈：用于科学发现的智能自动驾驶实验室

Kyunghoon Hur, Chihun Lee

专题命中 感知 ：self-driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 针对智能科学发现中自动驾驶实验室的验证瓶颈，提出先验感知的智能实验设计循环和成本感知代理，通过利用领域知识和预测测量，减少实验循环次数和每次实验成本来加速实验循环。

Comments Accepted at ICML 2026 AI for Science Workshop ; AI Scientist Competition

Road-Aware Anomaly Segmentation with Query-Guided Polygons and CLIP in Autonomous Driving

自动驾驶中基于查询引导多边形和CLIP的道路感知异常分割

Zhiran Yan, Gordon Elger

机构 * Institute of Innovative Mobility (IIMo), Technical University Ingolstadt of Applied Sciences（创新移动性研究所（IIMo），英戈尔施塔特应用技术大学） ； Fraunhofer Institute for Transportation and Infrastructure Systems IVI（弗劳恩霍夫交通与基础设施系统研究所IVI） 纠错

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

AI总结 研究自动驾驶中传统语义分割模型应对未知物体能力不足问题，提出轻量级无需再训练等的道路感知异常分割框架，利用查询级掩码置信等并引入CLIP模块，提升异常预测性能。

Comments Accepted to IEEE IV26. Code is available at https://github.com/chrisyan/RAAS

Toward the Right Analytical Model and System Software for Autonomous Driving Systems: Open Problems and Research Directions

迈向自动驾驶系统的正确分析模型和系统软件：开放问题与研究方向

Atsushi Yano, Takuya Azumi

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

AI总结 探讨自动驾驶系统中，需何种分析模型及系统软件来处理定时问题。通过调研相关工作，从定时约束单元等五个维度找出差距。

Journal ref RTSOPS 2026 invited paper

Framework and Multi-modal Dataset for Roadwork Zone Detection and Geo-localization

道路施工区域检测与地理定位的框架和多模态数据集

Zhiran Yan, Yutong Xin, S Shyam Shenoi, Rui Song, Gordon Elger

机构 * Institute of Innovative Mobility (IIMo), Technical University Ingolstadt of Applied Sciences（应用科学英戈尔施塔特技术大学创新移动研究所） ； Fraunhofer Institute for Transportation and Infrastructure Systems IVI（弗劳恩霍夫交通与基础设施系统研究所IVI） ； Technical University of Munich（慕尼黑工业大学） 纠错

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

AI总结 针对自动驾驶中高清地图缺乏道路施工区域等半静态信息的问题，提出包含模拟和真实数据的多模态数据集及检测与地理定位管道，经实验验证该方法在检测及坐标转换上效果良好。

Comments Accepted to IEEE IV25. The RZDG dataset and code can be found at: https://github.com/chrisyan/RZDG

TRISTAR: Triple-Signal Stair Recognition and Vision-Only Indoor Navigation for Search-and-Rescue Micro-UAVs

TRISTAR：用于搜索救援微型无人机的三重信号楼梯识别与仅视觉室内导航

Octavian Gîngu, Stelian Spînu

机构 * Military Technical Academy（军事技术学院） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 研究为低成本无人机提出仅基于单目视觉的室内导航框架。结合深度估计、传统计算机视觉和轻量级深度学习模型。核心方法是TRISTAR三重传感器融合，贡献是实现可靠室内探索与楼梯穿越，无需特殊测距硬件。

Comments 10 pages, 7 figures. Project repository available at: https://github.com/tavigingu/HawkOps-Indoor-Drone-Navigation-and-TRISTAR-Stair-Climbing

Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation

遮挡解空间：针对容错感知操纵的与规划器无关的对抗攻击

Keke Tang, Tianyu Hao, Weilong Peng, Hao Jiang, Feng Wu, Peican Zhu, Jianmin Ji, Zhihong Tian

机构 * Guangzhou University（广州大学） ； University of Science and Technology of China（中国科学技术大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 感知 ：occupancy(abstract)；分类 cs.RO

AI总结 提出针对容错感知操纵的与规划器无关攻击框架，通过运动学占用热图刻画机器人能力，将攻击设为预算最大覆盖优化，实验表明该方法能可靠引发规划失败，优于基线。

Comments Accepted by IROS'2026

Hope for the Best, Prepare for the Worst: Occlusion-Aware Contingency Planning for Autonomous Vehicles

抱最好的希望，做最坏的打算：自动驾驶车辆的遮挡感知应急规划

Truls Nyberg, Anna Gautier, Jana Tumova

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Traton AB（特拉顿集团） ； Chalmers University of Technology（查尔姆斯理工大学） ； Univeristy of Gothenburg（哥德堡大学） 纠错

专题命中 感知 ：trajectory planning(abstract)；分类 cs.RO

AI总结 针对城市环境中自动驾驶车辆面临的遮挡风险，提出正式的遮挡感知轨迹规划框架，基于可达性分析方法，集成树形运动规划器，减少保守性并保障安全，在模拟场景中验证有效性。

Beyond Line of Sight: Hybrid Validation of V2X Collective Perception in Complex Scenarios

超越视线：复杂场景中V2X集体感知的混合验证

Markos Antonopoulos, Anastasia Bolovinou, Bill Roungas, Elena Daskalaki, Angelos Amditis

机构 * European Union（欧盟） 纠错

专题命中 感知 ：occupancy(abstract)；分类 cs.RO

AI总结 提出一种概率框架和混合验证方法，通过贝叶斯融合算法扩展感知范围，在环形交叉口场景中实现视场覆盖增加260%，占用单元召回率从0.82提升至0.94。

Comments 6 pages, 4 figures, to be presented in ITS World 2026

LAMBDA: A Low-Altitude Multimodal Base Dataset for UAV Sensing and Communication

LAMBDA：用于无人机传感与通信的低空多模态基础数据集

Lin Zhou, Peichuan Rao, Chenshuo Zhang, Jianhua Mo, Shu Sun, Zhiyong Chen, Meixia Tao

专题命中 感知 ：LiDAR(abstract)

AI总结 研究低空综合传感与通信需对齐多模态数据，为此引入LAMBDA数据集，通过高保真数字孪生管道生成，具有多种特性，涵盖多场景多条件，支持多种参数设置，经评估有可靠性与可用性。

Efficient Upper Mid-Band Spectrum Sensing with Multiple Signals

多信号高效上中频带频谱感知

Yongjun Kim, Ali Rasteh, Sundeep Rangan, Junil Choi

专题命中 感知 ：occupancy(abstract)

AI总结 研究上中频带频谱感知中主用户信号数量、带宽及信噪比均未知时的频域占用估计问题，通过广义似然比检验及结合二分搜索与动态规划的高效搜索程序，验证方法实用性。

ATS-ToDMA: Adaptive Token Selection and Token-Domain Multiple Access for Cross-Modal Semantic Communications

ATS-ToDMA：用于跨模态语义通信的自适应令牌选择和令牌域多址接入

Sachin Kadam, Dong In Kim

专题命中 感知 ：occupancy(abstract)

AI总结 针对语义通信系统效率问题，提出ATS-ToDMA框架，通过联合进行语义令牌选择、干扰感知调度和语义感知功率分配，引入SSINR指标，开发调度器，推导分析边界，相比基准有性能提升。

Comments 13 pages, 9 figures. Submitted to a journal, under review

Continual Learning via Ensemble-Based Depth-Wise Masked Autoencoders for Data Quality Monitoring in High-Energy Physics

基于集成的深度掩蔽自动编码器的持续学习用于高能物理中的数据质量监测

Dale Julson, Eric Reinhardt, Andrii Krutsylo, Resham Sohal, Guillermo Fidalgo, Sergei Gleyzer, Emanuele Usai, The CMS HCAL Collaboration

专题命中 感知 ：occupancy(abstract)

AI总结 研究高能物理数据质量监测，提出轻量级掩蔽自动编码器DepthViT，用独特深度嵌入和注意力实现高效异常检测，构建持续学习框架，集成新旧模型提升抗数据偏移能力，多场景测试效果良好。