自动驾驶

Simulating Automotive Radar with Lidar and Camera Inputs

利用激光雷达和相机输入模拟汽车雷达

Peili Song, Dezhen Song, Yifan Yang, Enfan Lan, Jingtai Liu

机构 * Institute of Robotics and Automatic Information System, Nankai University（机器人与自动信息系统研究所，南开大学） ； Tianjin Key Laboratory of Intelligent Robotics（天津智能机器人重点实验室） ； TBI center, Nankai University（南开大学TBI中心） ； Department of Robotics, Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（人工智能 Mohamed Bin Zayed 大学机器人系） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；autonomous driving(abstract)；分类 cs.CV

AI总结 研究利用相机图像、激光雷达点云和自身速度模拟汽车雷达信号的方法，基于DIS-Net和RSS-Net两个神经网络，经实验验证能生成高保真信号，用其增强数据训练的目标检测网络性能更优，助力基于雷达的自动驾驶研发。

Comments Accepted by 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Learning Agile Navigation in Crowded Environments for Quadruped Robots

学习四足机器人在拥挤环境中的敏捷导航

Shuyu Wu, Zeyu Liu, Tianbao Zhang, Fanxing Li, Fangyu Sun, Mingkang Xiong, Wei Xi, Wenxian Yu, Danping Zou

机构 * Shanghai Jiao Tong University（上海交通大学） ； Midea Group（美的集团） 纠错

专题命中 激光雷达 ：LiDAR(summary_cn,abstract)；分类 cs.RO

AI总结 针对四足机器人在拥挤环境中导航难题，提出结合VO几何安全与端到端学习敏捷性的VOP-Nav系统，利用LiDAR数据隐式编码约束并预测安全速度区，VO预测兼具推理输入与训练奖励双重作用，实验验证其高效性与稳健性。

Image-to-Point Cloud Registration Made Easy with Rectified Flow-based LiDAR Upsampling

基于整流流的激光雷达上采样实现图像到点云配准简化

Reon Tabata, Kenji Koide, Shuji Oishi, Masashi Yokozuka, Taku Okawara, Aoki Takanose, Jun Miura

机构 * Department of Computer Science and Engineering, Toyohashi University of Technology（丰桥技术科学大学计算机科学与工程系） ； National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究所） 纠错

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

AI总结 研究图像到点云配准难题，提出将激光雷达视为成像传感器的方法，通过条件整流流、特征匹配等步骤估计位姿，经自监督预训练和少量数据微调，实现高精度快速配准，性能优于现有方法。

Depth-Dependent Hidden-State Collapse in Dynamical System Autoencoders for LiDAR Point-Cloud Classification

用于激光雷达点云分类的动态系统自动编码器中深度相关的隐藏状态坍缩

Patricia Medina, Hy P. G. Lam

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 研究用DSAE对激光雷达点云分类，通过实验比较不同编码器深度下的表现，发现深度为\(K = 5\)时存在隐藏状态坍缩，乘积系数不能改善坍缩前指标及防止坍缩，确定大深度表示坍缩是DSAE激光雷达分类的失败模式。

Comments 6 pages, 2 figures, 1 table. Submitted to the 2026 IEEE High Performance Extreme Computing Conference (HPEC 2026)

Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence

利用激光雷达衍生地形智能的卫星地面站选址可解释地理空间人工智能

Shohini Sarkar, Smithi Mahendran, Rishi Chudasama, Varun Mannam, Arav Luthra, Yuvraj Rekhi, Vivek Nadig, Arsh Goenka

机构 * U.S. Geological Survey（美国地质调查局） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.AI

AI总结 研究利用激光雷达衍生地形智能预测卫星地面站选址的代表性杂波高度，提出可解释机器学习框架，用多种数据训练，选LightGBM，模型误差降低超60%，评估相关标准，SHAP识别关键预测因子，证明开放数据可改善杂波建模。

Comments Accepted at the 2026 IEEE 22nd International Conference on Automation Science and Engineering (IEEE CASE 2026)

Detecting clear-air turbulence via beam broadening in a Rayleigh-scattering lidar system

通过瑞利散射激光雷达系统中的光束展宽检测晴空湍流

Christopher Miller, Daniel Lum, Brandon Rodenburg, Michael Stenner, Anthony DiCarlo, Bradford Snios, Paul D. Williams

专题命中 激光雷达 ：LiDAR(title,abstract)

AI总结 研究提出利用瑞利散射激光雷达，通过差分探测器测量光束展宽估计涡耗散率来探测晴空湍流的方法，实验验证了相关模型有效性，该方法可使受限系统探测范围超30公里，提升了航空安全保障能力。

MapAnything: Evaluating Monocular Metric Depth Models for 3D Urban Asset Localization

MapAnything: 评估单目度量深度模型用于3D城市资产定位

Miriam Louise Carnot, Jonas Kunze, Erik Quinten Fastermann, Eric Peukert, André Ludwig, Bogdan Franczyk

机构 * ScaDS.AI (University of Leipzig)（ScaDS.AI（莱比锡大学）） ； University of Leipzig（莱比锡大学） ； Kühne Logistics University（库赫内物流大学） ； Wrocław University of Economics（沃拉夫经济大学） 纠错

专题命中 激光雷达 ：LiDAR(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出MapAnything框架，通过单目图像自动映射城市物体和事件，利用度量深度估计模型计算物体坐标，验证其在复杂城市环境中的精度，展示其在交通标志和道路损坏等实际应用中的有效性。