自动驾驶

On Exploring Input Resolution Scaling For Anytime LiDAR Object Detection

关于探索用于任意时刻激光雷达目标检测的输入分辨率缩放

Ahmet Soyyigit, Shuochao Yao, Heechul Yun

机构 * The National Defense University（国防大学） ； George Mason University（乔治梅森大学） ； The University of Kansas（堪萨斯大学） 纠错

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

AI总结 研究为处理激光雷达点云的深度神经网络实现任意时刻计算，提出新方法可多分辨率推理，引入期限感知调度器，内存高效只需单个模型，实验表明优于现有方法，部署在模拟系统可实现无碰撞导航并避免停顿。

Behavior Foundations for Quadruped Robots: ABot-C0 Technical Report

四足机器人的行为基础：ABot-C0技术报告

Xufeng Zhao, Fuzhi Yang, Jianhui Chen, Li Gao, Zhang Meng, Jie Gao, Yao Zheng, Congyang Zhao, Tianxiong Lv, Menglin Yang, Minqi Gu, Yaru Zhao, Wenyu Liu, Honglin Han, Shihui Su, Zixiao Tang, Liu Liu, Mu Xu, Yang Cai, Wenbin Tang

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 该研究聚焦四足机器人运动控制，提出ABot-C0通用系统，构建数据金字塔生成运动片段，训练流匹配通用策略展示跟踪缩放定律，采用特定框架推动全地形遍历运动，经实验验证其能让四足机器人迈向产品级行为智能。

Comments Abot-C0 project page will be released soon

Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning

通过双感知联邦强化学习保障自动驾驶车辆系统安全

Zifan Zhang, Minghong Fang, Dianwei Chen, Zhuqing Liu, Prashant Khanduri, Xianfeng Yang, Anupam Das, Yuchen Liu

机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Louisville（路易斯维尔大学） ； University of Maryland（马里兰大学） ； University of North Texas（北德克萨斯大学） ； Wayne State University（韦恩州立大学） 纠错

专题命中 感知 ：autonomous driving(abstract)

AI总结 研究自动驾驶车辆系统安全问题，提出\alg防御框架，通过集成数字孪生、利用历史参数和中心梯度，确保仅聚合良性数据，增强FRL系统鲁棒性，有理论保证且经数字孪生模型验证有效性。

Comments Submitted to IEEE for potential publication

Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators

机器人操作器中经典和控制感知最优轨迹规划的动态评估

Bhanuka Dayawansa, Rohan Munasinghe

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

AI总结 研究机器人操作器轨迹规划，提出控制感知最优轨迹规划框架，纳入动力学和执行器努力，用中点线性化策略，通过统一评估框架对比经典方法，能降低跟踪误差等，证明仅运动学平滑不能确保高效执行。

Comments Accepted at MERCon 2026. To be presented at MERCon 2026. 7 pages, 7 figures

AUTOPILOT VQA: Benchmarking Vision-Language Models for Incident-Centric Dashcam Understanding

自动驾驶视觉问答：以事件为中心的行车记录仪理解视觉语言模型基准测试

Siddharth Damodharan, Radhika Gupta, Ali Alshami, Ryan Rabinowitz, Jugal Kalita

机构 * University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校） ； University of Michigan（密歇根大学） ； University of Notre Dame（圣母大学） 纠错

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

AI总结 针对评估视觉语言模型对安全关键事件推理能力的挑战，提出AUTOPILOT-VQA基准，通过围绕真实驾驶事件的结构化问题评估系统，涵盖多安全相关类别，推动向安全意识推理发展，为自动驾驶系统评估提供标准，助力相关视觉语言系统开发。

Comments CVPR Autopilot Workshop

WCog-VLA: A Dual-Level World-Cognitive Vision-Language-Action Model for End-to-End Autonomous Driving

WCog-VLA：用于端到端自动驾驶的双级世界认知视觉-语言-行动模型

Xuerun Yan, Zhexi Lian, Nuoheng Zhang, Shiyu Fang, Haoran Wang, Chen Lv, Jia Hu, Binyang Song

机构 * Tongji University（同济大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.CV、cs.AI

AI总结 针对现有视觉-语言-行动模型在自动驾驶中存在的局限，提出双级世界认知的WCog-VLA框架，语义层统一认知推理，生成层引入新模型加速推理，构建数据集，实验证明该模型在NAVSIM基准测试中达到最优分数。

Comments 20 pages, 7 figures

Development of a Raman Lidar for the Southern Site of the Cherenkov Telescope Array Observatory

切伦科夫望远镜阵列天文台南部站点拉曼激光雷达的研制

Patrick Brun, Omar Gabella, Stephane Rivoire, George Vasileiadis

专题命中 激光雷达 ：LiDAR(title,abstract)

AI总结 本文围绕切伦科夫望远镜阵列天文台南部站点需求，研制LUPM拉曼激光雷达系统，通过在OHP天文台两年观测，获取355和532纳米处消光、后向散射及激光雷达比等数据，验证原型符合CTAO要求。

Time-to-Collision Based Dynamic Obstacle Avoidance Using Pretrained Vision Models for Robots in Unstructured Environments

基于碰撞时间的动态障碍物避障方法，利用预训练视觉模型用于非结构化环境中的机器人

Erik Jagnandan, Mulugeta Haile, Gregory Barber, Pratik Chaudhari

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

AI总结 研究非结构化环境中机器人动态避障问题，利用预训练视觉模型UniDepth，通过扩展特征对应管道等计算关键点TTC，实现避障。该方法数据效率高，无需模型训练，在真实数据上评估有较好表现，能在不同障碍物类型中保持可解释和可推广性。

Comments 9 pages, 8 figures

LTM: Large-scale Terrain Model for Wildfire-prone Landscapes

LTM：适用于易发生野火地区的大规模地形模型

Xiao Fu, Yue Hu, Meida Chen, Peter Anthony Beerel, Barath Raghavan

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV

AI总结 针对易发生野火地区传统地形重建方法不足，提出利用过时DEM的多模态重建框架，通过物理像素对齐降低计算复杂度，经大型地形模拟器验证，相比现有技术显著提升了重建精度与计算效率，为野火应对提供可扩展方案。

Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning

Shift & Drift：用于可泛化且稳健的自动驾驶运动规划的零样本基准测试

Alessandro Canevaro, Hang Yu, Julian Schmidt, Peizheng Li, Silvan Lindner, Wilhelm Stork, Georg Martius, Julian Jordan

机构 * Mercedes-Benz AG, Research & Development（梅赛德斯-奔驰股份公司，研发部） ； University of Tübingen（图宾根大学） ； Karlsruhe Institute of Technology, ITIV（卡尔斯鲁厄理工学院，ITIV） 纠错

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

AI总结 研究自动驾驶运动规划器在新城市拓扑泛化及执行扰动恢复方面的不足，提出Shift & Drift双轨基准测试，通过语义转移和状态分布漂移测试不同规划范式，发现模仿学习与强化学习在性能上的差异，为评估可靠部署提供基准。

Comments Accepted at 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)