自动驾驶

FedS2R: One-Shot Federated Domain Generalization for Synthetic-to-Real Semantic Segmentation in Autonomous Driving

FedS2R: 面向自动驾驶中合成到真实语义分割的一次性联邦域泛化

Tao Lian, Jose L. Gómez, Antonio M. López

机构 * Computer Vision Center (CVC) Univ. Autònoma de Barcelona (UAB) Barcelona, Spain（计算机视觉中心（CVC）巴塞罗那自治大学（UAB）巴塞罗那，西班牙） 纠错

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

AI总结 提出FedS2R框架，通过不一致性驱动的数据增强和多客户端知识蒸馏，实现自动驾驶中合成到真实语义分割的一次性联邦域泛化，在五个真实数据集上性能接近集中式训练。

Comments Accepted by IEEE Intelligent Vehicles Symposium (IV) 2026

CoGoal3D: Collaborative 3D Object Detection with 3D-Aware Fusion and Refinement

CoGoal3D：基于3D感知融合与优化的协作式3D目标检测

Zhihao Yang, Zhiyu Xiang, Peng Xu, Tianyu Pu, Kai Wang, Eryun Liu, Dongping Zhang, Yong Ding

机构 * Zhejiang University（浙江大学） ； Zhejiang Provincial Key Laboratory of Multi-Modal Communication Networks and Intelligent Information Processing（浙江省多模态通信网络与智能信息处理重点实验室） ； China Jiliang University（中国计量大学） 纠错

专题命中 感知 ：BEV(abstract,abstract_cn)；分类 cs.CV、cs.AI

AI总结 针对V2X协作目标检测中3D检测效果不佳的问题，提出CoGoal3D框架，通过两阶段管道提取和优化3D特征，设计融合模块与辅助任务，还提出数据增强策略，在多数据集上取得新的最优性能。

Comments Accepted to ECCV 2026. 17 pages, 8 figures, 6 tables. Code: https://github.com/Megalo-f/CoGoal3D

Sarus: Privacy-Preserving Multi-Vendor Perception Fusion via Homomorphic Encryption

Sarus：通过同态加密实现隐私保护的多供应商感知融合

Munawar Hasan, Apostol Vassilev

机构 * National Institute of Standards and Technology, USA（美国国家标准与技术研究院） ； Michigan Technological University, USA（密歇根理工大学） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 研究自动驾驶多供应商感知融合的隐私保护问题，提出Sarus框架，利用同态加密，将检测编码为高斯矩向量加密传输，服务器在加密域聚合，实验表明其能有效聚合互补检测，提高覆盖率，实现实时隐私保护融合。

Preference-Conditioned Multi-Objective Reinforcement Learning for Runtime-Tunable Transit Signal Priority

用于运行时可调公交信号优先的偏好条件多目标强化学习

Philip-Roman Adam, Stefanie Schmidtner

专题命中 感知 ：occupancy(abstract)；分类 cs.AI

AI总结 研究公交信号优先中平衡多目标的问题，提出偏好条件TSP控制器，能在运行时通过偏好参数调整权衡公交与整体交通延误，无需重训练。通过扩展场景生成实现，实验表明该控制器优于基线，保持约束可行性，且能揭示不同偏好下的非公交外部性情况。

Comments 8 pages, 3 figures, 4 tables. Accepted at the 29th IEEE International Conference on Intelligent Transportation Systems (ITSC 2026). Code: https://github.com/urbanAIthi/morl-tsp

A VAE-Driven Multi-Task Satellite-Aided Semantic Communication Framework for 6G-Enabled Connected Autonomous Vehicles

用于支持6G的联网自动驾驶车辆的基于VAE的多任务卫星辅助语义通信框架

S. M. Abtahiul Alam, Niloy Das, Apurba Adhikary, Yu Qiao, Zhu Han, Choong Seon Hong

专题命中 感知 ：autonomous driving(abstract)

AI总结 针对智能交通系统中联网自动驾驶车辆的通信需求，提出基于VAE的多任务卫星辅助语义通信框架，利用概率潜在表示编码，经噪声信道传输特征进行交通标志重建与分类，能显著降低带宽并保持性能稳定。