自动驾驶

CARLA-GS: Decoupling Representation, Reasoning, and Physics Simulation for Autonomous Driving Corner-Case Synthesis

CARLA-GS：用于自动驾驶极端情况合成的解耦表示、推理和物理模拟

Kaicong Huang, Meng Ma, Ruimin Ke

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） 纠错

专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 研究自动驾驶极端情况合成问题，提出CARLA-GS模块化管道，解耦视觉表示、语义推理和物理执行并保持跨模块耦合，能从实际驾驶数据生成可编辑场景，经多智能体大语言模型推理等步骤，实现可控生成及逼真、时空一致的视频。

A Digital Twin Framework for Metamorphic Testing of Autonomous Driving Systems Using Generative Model

面向自动驾驶系统元形测试的数字孪生框架：基于生成模型

Tony Zhang, Burak Kantarci, Umair Siddique

机构 * School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） ； reasonX Labs Inc.（reasonX实验室） 纠错

专题命中 仿真评测 ：autonomous driving(title)；self-driving(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出一种基于生成模型的数字孪生框架，用于自动驾驶系统的元形测试，通过生成多样化驾驶场景提升测试覆盖率和有效性。

A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving

一个用于自动驾驶的具有大语言模型注释的高风险驾驶场景知识增强数据集

Heye Huang, Jingguang Li, Zhiyuan Zhou, Paul Liang, Mingyu Wu, Kitae Jang, Jianqiang Wang

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Fudan University（复旦大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） 纠错

专题命中 仿真评测 ：autonomous driving(title,abstract)

AI总结 研究自动驾驶中高风险场景数据不足问题，核心方法是构建K-Risk数据集，整合多源轨迹数据并利用大语言模型生成注释，主要贡献是为自动驾驶开发和评估提供标准化基础。

Comments 22 pages, 9 figures

ROAD-Waymo: A Large-Scale Action Awareness Dataset for Autonomous Driving

ROAD-Waymo：一个用于自动驾驶的大规模动作感知数据集

Salman Khan, Izzeddin Teeti, Reza Javanmard Alitappeh, Mihaela C. Stoian, Eleonora Giunchiglia, Gurkirt Singh, Andrew Bradley, Fabio Cuzzolin

机构 * Oxford Brookes University（奥克斯福德布鲁克斯大学） ； MAZUST ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 仿真评测 ：autonomous driving(title)；分类 cs.CV

AI总结 本文提出ROAD-Waymo数据集，用于道路场景中代理、动作等检测技术开发与基准测试，比现有数据集更大更具挑战性，含大量标注数据，通过新注释管道增强完整性，还能解决不同国家道路场景的域适应问题。

Validate the Dream Before You Trust Its Verdict: Admissibility for World-Model Simulators

在信任世界模型模拟器的裁决之前先验证其可靠性：世界模型模拟器的可接受性

Christian Oefinger, Finn Rasmus Schäfer, Korbinian Moller, Mattia Piccinini, Johannes Betz

机构 * Autonomous Vehicle Systems Lab（自主车辆系统实验室） ； Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 研究世界模型模拟器裁决的可靠性问题，基于安全关键模拟的可信度实践定义可接受性阶梯，通过自动驾驶实例验证，指出视觉保真度不能预测行动稳健性，为世界模型模拟器的评估提供了新框架。

Comments Accepted at RSS 2026 Workshop on Robot World Models

Flow-ERD: Agent-type Aware Flow Matching with Entropy-Regularized Distillation for Diverse Traffic Simulation

Flow-ERD：用于多样化交通模拟的基于熵正则化蒸馏的智能体类型感知流匹配

Seulbin Hwang, Kiyoung Om, Daejung Kim, Jinhan Lee

机构 * NAVER LABS Corp.（NAVER实验室公司） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO

AI总结 为解决交通模拟中多样性未被充分探索的问题，提出Flow-ERD模拟器，其核心方法是智能体类型感知流匹配与熵正则化蒸馏，能联合追求现实性和多样性，在测试基准中排名第一，主导帕累托前沿。

Comments 8 pages, 5 figures, 2 tables