自动驾驶

UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation

UNIVERSE：面向自动驾驶的基于灵活掩码调制模态生成的统一视频动作模型

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Francesco Nex, Hao Cheng, Michael Ying Yang

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

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

AI总结 针对现有方案难以将视频建模收益迁移至轨迹生成的问题，提出单掩码调制扩散Transformer的统一模型，通过模态解耦掩码实现直接的视频监督，大幅提升跨域动作泛化与推理效率。

Comments 18 pages, 7 figures, 8 tables

A Survey of Reinforcement Learning-Based Motion Planning for Autonomous Driving: Lessons Learned from a Driving Task Perspective

基于强化学习的自动驾驶运动规划综述：从驾驶任务角度吸取的经验教训

Zhuoren Li, Guizhe Jin, Ran Yu, Weiqi Zhang, Zhiwen Chen, Nan Li, Lu Xiong, Ilya Kolmanovsky, Dimitar Filev, Bo Leng, Jia Hu

机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Hagler Institute for Advanced Study, Texas A&M University（德克萨斯大学A&M分校哈格勒先进研究学院） 纠错

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

AI总结 综述基于强化学习的自动驾驶运动规划，先概述强化学习方法基础，再调研其在运动规划中的应用，分析特定场景特征与任务要求，总结关键设计经验并为未来实施提供指导，还探讨前沿挑战及应对策略。

Comments 20 pages, 3 figures

Handover-Aware Trajectory Planning for Cellular-Connected UAVs under STL Specifications and URLLC Constraints

超可靠低延迟通信（URLLC）约束下蜂窝连接无人机的切换感知轨迹规划

Yuqi Ping, Tianhao Liang, Bofeng Zheng, Bingyan Xie, Tingting Zhang

专题命中 规划控制 ：trajectory planning(title,abstract)

AI总结 研究蜂窝连接无人机在URLLC约束下执行任务的切换感知轨迹规划，用信号时序逻辑和有限块长URLLC可行性表征要求，制定联合规划问题，采用逻辑网络流等求解，模拟表明规划器可执行任务并揭示多因素对轨迹等的影响。

Do Vision-Language-Action Models Mean What They Say? On the Role of Faithfulness in Embodied Reasoning

视觉语言动作模型所言即所指？论忠实性在具身推理中的作用

Matthew Foutter, Matteo Cercola, Lena Wild, Yunshan Wang, Michelle Li, Daniele Gammelli, Marco Pavone

机构 * Stanford University（斯坦福大学） ； Politecnico di Milano（米兰理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所） ； NVIDIA Research（英伟达研究院） 纠错

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

AI总结 研究视觉语言动作模型中具身思维链是否真实反映决策过程。区分功能推理与忠实推理，指出当前对齐策略不足，通过人类评估揭示差距，用学习的评论家操作具身忠实性的行为替代物，强化学习后训练策略提升了忠实性。

AnchorVLA: Bridging Discrete Decisions and Continuous Trajectories for Vision-Language-Action Planning

AnchorVLA：为视觉-语言-动作规划连接离散决策与连续轨迹

Qi Liu, Yabei Li, Hongsong Wang, Heng Zhang, Lei He

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与交通国家重点实验室） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； Dongfeng Motor Corporation（东风汽车公司） 纠错

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

AI总结 自动驾驶规划需将多种信息转化为连续轨迹，现有视觉-语言-动作（VLA）规划器有局限。提出AnchorVLA框架，用轨迹模式锚连接高层VLA推理与连续轨迹执行，提升效率、语义动作对齐和生成灵活性。

ECTraj: Enhanced Consistency Training for Multi-Agent Trajectory Prediction

增强多智能体轨迹预测的一致性模型

Alen Mrdovic, Qingze, Liu, Danrui Li, Mathew Schwartz, Kaidong Hu, Sejong Yoon, Mubbasir Kapadia, Vladimir Pavlovic

机构 * Rutgers University - New Brunswick（罗格斯大学-新不伦瑞克分校） ； New Jersey Institute of Technology（新泽西理工学院） ； The College of New Jersey（新泽西学院） 纠错

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

AI总结 本文提出ECTraj，通过改进训练和条件生成方法，提升多智能体轨迹预测的一致性模型性能，实现更快推理和更准确预测，建立新的基准。

A Convex Obstacle Avoidance Formulation

一种凸避障公式

Ricardo Tapia, Iman Soltani

机构 * Laboratory for AI, Robotics and Automation, University of California at Davis（人工智能、机器人与自动化实验室，加州大学戴维斯分校） 纠错

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

AI总结 提出首个通用凸避障公式，通过逻辑集成方法将避障融入凸MPC，相比非凸方法大幅提升计算效率，且障碍物在预测时域外仍有效，支持短时域实时部署。

Comments 17 pages, 12 figures, multimedia