自动驾驶

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)

Simulator Ensembles for Trustworthy Autonomous Driving Systems Testing

用于可信自动驾驶系统测试的模拟器集成

Lev Sorokin, Matteo Biagiola, Andrea Stocco

机构 * Technical University of Munich（慕尼黑技术大学） ； University of St. Gallen（圣加尔登大学） 纠错

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

AI总结 研究自动驾驶系统测试中模拟器结果不一致问题，提出MultiSim方法，利用模拟器集成和搜索策略识别故障场景，通过实验证明该方法比单模拟器及现有多模拟器方法更优，能提高故障识别率，还提出预测分歧和利用代理模型提高效率。

Journal ref Published in Empirical Software Engineering (EMSE), Vol. 31, No. 4, Article 80 (2026)