自动驾驶

Li-ViP3D++: Query-Gated Deformable Camera-LiDAR Fusion for End-to-End Perception and Trajectory Prediction

Li-ViP3D++：基于查询的可变形相机-激光雷达融合用于端到端感知与轨迹预测

Matej Halinkovic, Nina Masarykova, Alexey Vinel, Marek Galinski

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Slovak University of Technology（斯洛伐克技术大学） ； Halmstad University（哈马比大学） 纠错

专题命中 感知 ：LiDAR(title,abstract)；BEV(abstract,abstract_cn)；autonomous driving(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 Li-ViP3D++通过引入查询门控可变形融合技术，实现了端到端感知与轨迹预测，提升了自动驾驶系统的鲁棒性和效率。

Comments Published in IEEE Access. The version of record is available at DOI: 10.1109/ACCESS.2026.3709080

Journal ref IEEE Access, vol. 14, pp. 102999-103012, 2026

A2RL V\textsubscript{max}: The A2RL autonomous racing dataset for long-range, high-speed perception and multi-vehicle interaction

A2RL V下标max：用于远程、高速感知和多车辆交互的A2RL自动驾驶数据集

Marvin Klemp, Dominic Ebner, Cornelius Schröder, Davide Malvezzi, László Turányi, Riccardo Donati, Ilia Schminik, Xia Ning, Yanxin Zhou, Matthew Flagg, Christoph Stiller, Markus Lienkamp, Marko Bertogna, Gergely Bári, Andreas Birk, Ren Jin, Chen Lv, Johannes Betz

机构 * Institute of Measurement and Control Systems, Karlsruhe Institute of Technology（测量与控制系统研究所，卡尔斯鲁厄理工学院） ； Institute of Automotive Technology, Technical University of Munich（汽车技术研究所，慕尼黑工业大学） ； Professorship of Autonomous Vehicle Systems, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑工业大学） ； University of Modena and Reggio Emilia（摩德纳大学和雷焦艾米利亚大学） ； Humda Lab, Széchenyi István University（胡姆达实验室，塞切尼·伊什特万大学） ； Politecnico di Milano（米兰理工大学） ； Constructor University（康斯坦丁大学） ； Beijing Institute of Technology（北京理工大学） ； Nanyang Technological University（南洋理工大学） ； Code 19 Racing（代码19赛车） ； Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑机器人与机器智能研究所（MIRMI），慕尼黑工业大学） 纠错

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

AI总结 介绍A2RL V下标max开源数据集，专为高速自动驾驶和多车辆交互感知任务设计，含多样场景数据及专业标注激光雷达点云，以开发者友好格式提供，还对相关检测和跟踪方法做了实现与评估。

Comments 8 pages

Lifelong Multi-Subsystem Pickup and Delivery with Buffer-Limited Handover Stations

具有缓冲区受限交接站的终身多子系统取货与送货

Chuanlong Zang, Isabelle Barz, Anna Mannucci, Philipp Schillinger, Florian Lier, Wolfgang Hönig

机构 * Robert Bosch GmbH（罗伯特·博世有限公司） ； Technical University of Berlin（柏林工业大学） ； Robotics Institute Germany (RIG)（德国机器人研究所） 纠错

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

AI总结 研究终身多子系统取货与送货中协调子系统载荷转移的问题，提出交接感知预留与路由（HARR）方法，通过共享日历和缓冲区预测协调行动，模拟显示该方法能显著提高吞吐量、减少积压并降低规划时间，提升运输稳定性。

Comments IROS 2026

DeeperRadar: End-to-End MIMO Radar Design and Multi-Modal Fusion for Autonomous Vehicle Perception

深度雷达：用于自动驾驶车辆感知的端到端MIMO雷达设计与多模态融合

Eli Goldenshluger, Barak Pinkovich, Chaim Baskin

机构 * Technion–Israel Institute of Technology（以色列理工学院） ； Ben-Gurion University of the Negev（内盖夫本-古里安大学） 纠错

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

AI总结 深度雷达以雷达为中心，通过端到端学习稀疏采集模式，共同设计雷达传感与多模态3D检测。其可学习的MIMO设计模块在融合网络中训练，由其他传感器监督。在RADIal数据集上评估，能发现稀疏配置，降低成本与复杂性，表明最优设计取决于融合堆栈和感知任务。

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

Distilling Global Traversability Priors for Image-based Affordance Prediction in Off-road Environments

用于越野环境中基于图像的可承受性预测的全局可通行性先验知识提炼

Matthew Sivaprakasam, Samuel Triest, Micah Nye, Deegan Atha, Shehryar Khattak, David Fan, Wenshan Wang, Sebastian Scherer

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Field AI（现场人工智能公司） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 研究非结构化地形长距离自主导航易短视问题，利用卫星图像计算导航路径监督网络，直接从FPV图像提取远距离可通行性感知边界，提升长距离越野导航性能，减少人工干预。

Unsupervised Discovery of Failure Taxonomies from Deployment Logs

无监督发现部署日志中的故障分类

Aryaman Gupta, Yusuf Umut Ciftci, Somil Bansal

机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 本文提出无监督发现部署日志中的故障分类方法，通过视觉-语言推理和语义聚类，提升机器人系统鲁棒性和故障监控能力。

Roomie: Interference-Aware Colocation for Efficient Model Serving

Roomie：用于高效模型服务的干扰感知共置

Youssouph Faye, Francescomaria Faticanti, Shubham Jain, Francesco Bronzino

专题命中 感知 ：occupancy(abstract)

AI总结 针对DNN推理中GPU容量供不应求需共置模型的情况，Roomie架构通过解耦离线内核分析与在线干扰预测，用基于占用的模型预测干扰，经启发式算法和在线放置算法，有效降低推理延迟，提升吞吐量。

Compositional Semantic Communication for Physical AI: Category Theory Meets Game Theory

用于物理人工智能的组合语义通信：范畴论与博弈论相遇

Christo Kurisummoottil Thomas, Walid Saad, Emilio Calvanese Strinati

专题命中 感知 ：autonomous driving(abstract)

AI总结 研究物理人工智能系统中传输原始传感器数据的问题，提出组合语义通信框架，利用范畴论度量、格罗滕迪克拓扑等，将多设备协调表述为斯塔克尔伯格博弈，用ADMM算法计算策略，实现带宽减少和延迟降低，保持推理准确率。

Information-Optimal Formation Geometry Design for Multimodal UAV Cooperative Perception

多模态无人机协同感知的信息最优编队几何设计

Kai Xiong, Xingyu Wu, Anna Duan, Gang Li, Yongjun Huang, Supeng Leng, Jianhua He

专题命中 感知 ：LiDAR(abstract)

AI总结 针对多模态无人机协同感知，提出信息最优优化框架，通过最大化Fisher信息矩阵行列式优化分配与控制，引入等效编队转换策略及稳定飞行控制方案，相比传统方法，视场覆盖、通信信号强度和能耗等方面有显著提升，验证了任务驱动几何分配的重要性。

The proportional scaling of mRNA and ribosome concentrations controls eukaryotic cell growth

mRNA和核糖体浓度的比例缩放控制真核细胞生长

Xin Gao, Michael Lanz, Rosslyn Grosely, Jonas Cremer, Joseph Puglisi, Jan M. Skotheim

专题命中 感知 ：occupancy(abstract)

AI总结 研究真核细胞生长定量原理，运用多种技术在出芽酵母多条件下研究，发现核糖体浓度与生长速率线性缩放，mRNA浓度与核糖体成比例增加，建立简单模型预测相关指标，揭示细胞通过缩放mRNA和核糖体丰度加速增殖并建立定量框架。

Comments 71 pages, 6 figures

Rapid and Safe Trajectory Planning over Diverse Scenes through Diffusion Composition

通过扩散合成在多样场景中进行快速且安全的轨迹规划

Wule Mao, Zhouheng Li, Yunhao Luo, Fangguo Zhao, Lei Xie

机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院） 纠错

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

AI总结 针对动态环境规划难题，提出能量参数化扩散规划框架，结合轻量级安全过滤器和场景无关的数据生成管道，实现多样场景下快速安全规划，仿真与真实实验验证了其有效性、鲁棒性和适用性。

Thermal management optimization of Battery Electric Vehicles via hierarchical NMPC with CMO-trained Neural Models

基于CMO训练的神经模型的分层NMPC对电池电动汽车进行热管理优化

Francesco Ripa, Diego Regruto, Pasquale Ceres, Christopher Strano

专题命中 规划控制 ：BEV(abstract,abstract_cn)

AI总结 研究电池电动汽车热管理优化问题，提出分层NMPC框架，上层平衡能耗与温度跟踪并转化为执行器命令序列，下层补偿干扰等，采用数据驱动神经网络模型，经高保真模拟器验证，相比基线策略能耗显著降低。

3D Scene Graph Prediction: Generating Hierarchical Models from Partially Observed Environments

3D场景图预测：从部分观测环境生成层次模型

Siyi Hu, Jared Strader, Hyungtae Lim, Luca Carlone

机构 * Laboratory for Information & Decision Systems (LIDS), Massachusetts Institute of Technology（信息与决策系统实验室（LIDS），麻省理工学院） ； Department of Electrical and Computer Engineering, Oakland University（奥克兰大学电气与计算机工程系） 纠错

专题命中 规划控制 ：occupancy(abstract)；分类 cs.RO、cs.CV

AI总结 针对机器人部分观测环境的场景预测问题，提出自上而下框架合成含房间层和物体层的3D场景图，用混合域图扩散模型等方法，相比其他方法对分布外部分平面图泛化性更好，能在真实场景预测。

Comments Accepted at IROS 2026. Main paper: 8 pages, 3 figures, 3 tables. Includes a supplementary appendix

3D and 4D World Modeling: A Survey

3D和4D世界建模：一项综述

Lingdong Kong, Yu Yang, Jianbiao Mei, Youquan Liu, Ao Liang, Dekai Zhu, Dongyue Lu, Wei Yin, Xiaotao Hu, Mingkai Jia, Junyuan Deng, Kaiwen Zhang, Yang Wu, Tianyi Yan, Shenyuan Gao, Song Wang, Linfeng Li, Liang Pan, Yong Liu, Jianke Zhu, Wei Tsang Ooi, Steven C. H. Hoi, Ziwei Liu

机构 * WorldBench Team（WorldBench团队） 纠错

专题命中 端到端驾驶 ：LiDAR(abstract)；occupancy(abstract)；分类 cs.RO、cs.CV

AI总结 该综述针对世界建模中对3D和4D表示利用不足及定义分类缺失的问题，通过建立精确概念、引入结构化分类法，系统总结相关数据集和评估指标，讨论应用、挑战与方向，为3D和4D世界建模领域提供基础参考。

Comments Survey; Project Page at https://worldbench.github.io/survey GitHub Repo at https://github.com/worldbench/awesome-3d-4d-world-models

An interactive enhanced driving dataset for autonomous driving

一种交互增强的自动驾驶数据集

Haojie Feng, Xinrui Zhang, Mengjie Tian, Peizhi Zhang, Zhuoren Li, Junpeng Huang, Xiurong Wang, Junfan Zhu, Jianzhou Wang, Dongxiao Yin, Lu Xiong

专题命中 BEV与占用 ：autonomous driving(title,abstract)；BEV(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出交互增强驾驶数据集，通过生成合成视频实现多模态对齐，用于评估和优化自动驾驶模型的推理能力。

Comments Accepted for publication in Scientific Data

VLN-AVP: Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for Autonomous Valet Parking

VLN-AVP：用于自动代客泊车的基于混合长短时记忆的零样本视觉语言导航

Yijian Li, Xiangru Mu, Changze Li, Hantian Shi, Jiyuan Cai, Jia Cai, Xiaoxue Liu, Yajing Sun, Ming Yang, Tong Qin

机构 * Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(abstract)；分类 cs.RO

AI总结 研究针对自主代客泊车依赖预建地图限制可扩展性问题，提出VLN-AVP零样本导航框架，结合BEV模型与VLM，引入混合记忆系统，构建数据集和基准，实验证明该方法在模拟和实际车辆实验中均有良好效果，提升了成功率。

VGOcc: Learning Visual-Geometric Gaussians for Vision-Centric 3D Driving Occupancy Prediction

VGOcc：学习视觉几何高斯用于以视觉为中心的3D驾驶占用预测

Junhong Lin, Xianda Guo, Kangli Wang, Yuqi Ye, Xiaoyu Liang, Yanlun Peng, Wei Gao

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 研究仅视觉3D驾驶占用预测问题，提出VGOcc方法，通过从基础模型学习视觉和几何线索，纳入高斯建模的初始化与细化，实现高效语义占用预测，在nuScenes实验中达最优性能。

Lifelong Localization in Dynamic Indoor Environments Combining Odometry with Sparse Distance Sampling

结合里程计与稀疏距离采样的动态室内环境终身定位

Michael M. Bilevich, Tomer Buber, Dan Halperin

机构 * Blavatnik School of Computer Science and Artificial Intelligence, Tel-Aviv University（特拉维夫大学布拉瓦尼克计算机科学与人工智能学院） 纠错

专题命中 BEV与占用 ：LiDAR(abstract)；分类 cs.RO

AI总结 研究动态室内环境中机器人定位问题，提出结合里程计与稀疏距离采样的终身定位框架，能实时解决绑架机器人问题，在静态和动态环境中均收敛到真实姿态，少量距离样本即可实现与SLAM相当的定位，具多方面优势。

Comments Appeared in the 2026 IEEE International Conference on Robotics and Automation (ICRA)

Panache: One-Pass Motif Discovery at Every Window Length

Panache：在每个窗口长度下进行单遍基序发现

Tej Sanibh Ranade

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.AI

AI总结 研究针对时间序列基序发现中模式持续时间未知的问题，提出单遍流算法Panache。通过滑动DFT递归等维护频谱状态，利用Parseval定理在哈希目录中让相似子序列碰撞，自行计算依赖数据的参数，在多个数据集上表现出色，速度远超基线方法。

Comments 23 pages, 4 figures, 19 tables

Rethinking Polling Efficiency in Service Core Network Stacks

重新思考服务核心网络栈中的轮询效率

Matheus Stolet, Simon Peter, Antoine Kaufmann

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 研究服务核心网络栈轮询效率，通过对AMD EPYC处理器测量，发现回收闲置核心收益低且增加调度复杂度，进而提出以预算为中心的观点，将功率作为基本资源，等待策略作为首要系统设计选择。

Richards' equation as a hydrodynamic limit: Chapman--Enskog reduction of the continuum kinetic equation for unsaturated soil water

作为流体动力学极限的理查兹方程：非饱和土壤水连续介质动力学方程的查普曼 - 恩斯科格约化

Riccardo Rigon

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 研究从孔隙填充分布的动力学理论推导非饱和水流的理查兹方程，通过查普曼 - 恩斯科格约化CKE，由达姆科勒数控制，得出相关结果，还能导出双渗透率和多渗透率模型，\(Da\)不小则需完整CKE。

Occupation-condensation transition of a sublinearly vertex-reinforced random walk on regular tree

正则树上次线性顶点强化随机游走的占据凝聚转变

Bon A Koo, Edward Ju

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 研究正则树上次线性顶点强化随机游走的占据凝聚转变，通过分析概率与参数关系，发现有限\(\beta_c(a,b)\)处的凝聚转变，四个估计器定位相同阈值，还研究了冻结环境下的可逆性及相关性质，揭示了占有率的非自平均和双峰现象。

Topological phases of bosons with local parity coupling on a dimerized lattice

二聚化晶格上具有局域宇称耦合的玻色子拓扑相

Ashirbad Padhan, Harsh Nigam

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 研究具有局域宇称耦合的二聚化玻色子晶格模型，用密度矩阵重整化群模拟，发现半填充时正宇称耦合稳定的SPT相和单位填充时负宇称耦合稳定的配对玻色子拓扑相，确立局域宇称耦合为理解一维玻色子拓扑相的框架。

Comments Accepted version; 13 pages, 11 figures (including appendices)

Journal ref Phys. Rev. B 114, 055121 (2026)

A Vendor-Agnostic LiDAR Data Conversion System with Multi-Signal Detection and Multi-Format Output

一种支持多信号检测和多格式输出的厂商无关LiDAR数据转换系统

Param Patel, Jay Dave, Pratyush Chakraborty

机构 * BITS Pilani, Hyderabad Campus（比拉理工学院海德拉巴校区） ； Department of Electrical and Electronics Engineering, BITS Pilani, Hyderabad Campus（比拉理工学院海德拉巴校区电气与电子工程系） ； Department of Computer Science and Information Systems, BITS Pilani, Hyderabad Campus（比拉理工学院海德拉巴校区计算机科学与信息系统系） 纠错

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

AI总结 提出一种厂商无关的LiDAR数据转换系统，通过加权多信号方法自动识别传感器厂商，并输出五种标准格式，解决了多厂商SDK不兼容问题。

Comments Manuscript submitted at Software: Practice and Experience

Geometrically Approximated Modeling for Emitter-Centric Ray-Triangle Filtering in Arbitrarily Dynamic LiDAR Simulation

发射机为中心的几何近似建模用于任意动态Li DAR模拟中的射线-三角形过滤

Rabin Gajmer, Joonas Haapala, Zoltan Beck

机构 * Toyota（丰田） 纠错

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

AI总结 本文提出GRCA算法，通过逆向思维解决动态场景中射线-三角形过滤问题，无需加速结构，实现高效高动态多传感器模拟，实验显示在复杂场景中性能提升显著。

Comments 21 pages, 20 figures

InLiER: Learning-Free Heterogeneous LiDAR Place Recognition via Intermediate Mixed-Radix Structural Keypoint Tokenization

InLiER：通过中间混合基数结构关键点令牌化实现无学习的异构激光雷达地点识别

Nikolaos Stathoulopoulos, George Nikolakopoulos

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

AI总结 研究针对机器人平台结合多种激光雷达致现有描述符性能下降的问题，提出无学习管道InLiER，通过混合基数令牌ID编码关键点信息，经三个检索阶段处理，在相关数据集和实验中表现出色，优于基于学习的基线。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L). 8 pages, 8 figures

Move First, Commit Later: Selective LiDAR-to-BIM Global Initialization via Sequential Consensus with Symmetry-Aware Abstention

先移动，后提交：通过具有对称感知弃权的顺序共识进行选择性激光雷达到BIM全局初始化

Yujie Zhang, Yuxuan Guo, Jiashuo Zheng, Zeheng Fan, Xiaohui Jia, Jinyue Liu

机构 * School of Mechanical Engineering, Hebei University of Technology（河北工业大学机械工程学院） 纠错

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

AI总结 研究激光雷达到BIM全局初始化问题，提出“先移动，后提交”的选择性层，将配准前端作证据源决定是否提交，通过特殊方法聚合证据，在真实建筑和模拟中表现良好，能正确提交或弃权，提交锚点精度高且前端模块化。

Comments 8 pages, 6 figures, 3 tables. Preprint

NormalView: tree species classification from backpack and aerial lidar data using geometric projections

NormalView：利用几何投影从背包和航空激光雷达数据进行树种分类

Juho Korkeala, Jesse Muhojoki, Josef Taher, Klaara Salolahti, Matti Hyyppä, Antero Kukko, Juha Hyyppä

机构 * Finnish Geospatial Research Institute FGI（芬兰地理研究 institute FGI） ； The National Land Survey of Finland（芬兰国家土地调查局） ； Department of Remote Sensing and Photogrammetry（遥感与摄影测量系） ； Department of Built Environment, School of Engineering（环境系，工程学院） 纠错

专题命中 激光雷达 ：LiDAR(title)；分类 cs.CV

AI总结 研究利用NormalView方法，通过将几何信息嵌入二维投影并输入YOLOv11网络进行树种分类，在移动和航空激光雷达数据上测试，发现多传感器强度信息有益，该方法仅依赖几何信息，公开了相关数据集，取得较好分类结果。

Comments 25 pages, 10+4 figures

Seeing Where to Deploy: Metric RGB-Based Traversability Analysis for Aerial-to-Ground Hidden Space Inspection

看清部署地点：基于指标RGB的航向-地面隐蔽空间检测可通行性分析

Seoyoung Lee, Shaekh Mohammad Shithil, Durgakant Pushp, Lantao Liu, Zhangyang Wang

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

AI总结 本文提出基于指标RGB的几何-语义重建与可通行性分析框架，用于航向-地面隐蔽空间检测。通过多视角RGB重建生成密集几何，结合时间一致的语义分割生成3D语义地图，引入基于体感运动的先验知识恢复指标尺度，构建自信度-aware的几何-语义可通行性地图，评估候选部署区域的可达性。

Comments Accepted to IROS 2026. Project page: https://seoyoung1215.github.io/seeing-where-to-deploy/

SLAM in Low-Light Environments: Project Report

低光照环境下的同步定位与地图构建：项目报告

Oleh Basystyi, Anna Stasyshyn, Oleksandr Kosovan, Yaroslav Prytula

机构 * Applied Sciences Faculty, Ukrainian Catholic University（乌克兰天主教大学应用科学学院） 纠错

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

AI总结 研究低光照环境下RGB相机的SLAM问题，对六种不同范式的系统在五个序列上进行基准测试，发现仅RGB的SLAM需惯性融合和全局优化才能稳定跟踪，为后续改进提供方向。

Comments Conducted as part of the certification program "Off-Road Visual Navigation: Development and Evaluation of Systems in Challenging Environments'' at the Faculty of Applied Sciences, Ukrainian Catholic University, in collaboration with the UCU UGV Club