自动驾驶

Effort-Based Criticality Metrics for Evaluating 3D Perception Errors in Autonomous Driving

基于努力的临界度量指标用于评估自动驾驶中的3D感知误差

Sharang Kaul, Simon Bultmann, Mario Berk, Abhinav Valada

机构 * CARIAD SE ； University of Freiburg（弗莱堡大学） 纠错

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

AI总结 本文提出基于努力的临界度量指标，通过FSR、MDR和LEA量化自动驾驶中3D感知误差的严重性，揭示非关键性误差占比高，验证新指标能捕捉安全关键信息。

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

PGTT: Phase-Guided Terrain Traversal for Perceptive Legged Locomotion

PGTT：用于感知式有腿运动的相位引导地形遍历

Alexandros Ntagkas, Chairi Kiourt, Konstantinos Chatzilygeroudis

机构 * Laboratory of Automation and Robotics (LAR) in the Department of Electrical & Computer Engineering, University of Patras（自动化与机器人实验室（LAR）（电气与计算机工程系，帕特拉斯大学）） ； Archimedes/Athena RC, Greece（阿基米德/雅典娜RC，希腊） ； Athena - Research and Innovation Center in Information, Communication and Knowledge Technologies, Xanthi, Greece（雅典娜信息、通信和知识技术研究中心（Xanthi，希腊）） ； Computational Intelligence Laboratory (CILab), Department of Mathematics, University of Patras（计算智能实验室（CILab）（数学系，帕特拉斯大学）） 纠错

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

AI总结 研究针对有腿机器人感知强化学习控制器的不足，提出相位引导地形遍历（PGTT）方法，通过奖励塑造强化步态结构，编码腿相位等，在特定训练下，该方法在多种场景成功率高且速度跟踪可比，还能跨平台转移。

Comments 8 pages, 9 figures, 3 tables, Accepted at IROS 2026

Contour Errors: Ego-Centric Matching for 3D Multi-Object Tracking Performance Evaluation

轮廓误差：用于 3D 多目标跟踪性能评估的自我中心匹配

Sharang Kaul, Simon Bultmann, Mario Berk, Abhinav Valada

机构 * CARIAD SE - Volkswagen Group（大众集团CARIAD分公司） ； Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系） 纠错

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

AI总结 研究自动驾驶 3D 多目标跟踪开环性能评估问题，提出基于豪斯多夫型推理的轮廓误差（CE）自我中心匹配标准，相比现有方法，CE 能提供分级方向敏感性，评估显示其可提高匹配率，是改善开环感知评估的主要因素。

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

Enhanced quantum illumination of a lossy target: A sequential interaction model

增强的损失性目标量子照明：一个顺序交互模型

Shilpi Srivastava, Shubhrangshu Dasgupta

专题命中 感知 ：LiDAR(abstract)

AI总结 研究在现实环境中量子照明对损失性目标的有效性，比较高斯双模压缩态与最优经典协议的性能，发现TMSS在低反射率目标下具有更高的SNR和更强的抗热噪声能力。

Cognitive Dual-Process Planning for Autonomous Driving with Structured Scene Knowledge and Verifiable Reasoning-Action Consistency

基于结构化场景知识和可验证推理-行动一致性的自动驾驶认知双过程规划

Zhongyao Yang, Haoyu Li, Yu Yan, Zhuangxuan Yu, Jiangfeng Nan, Jinrui Nan

机构 * School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院） ； National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology（北京理工大学电动车辆国家工程研究中心） ； School of Mechanical Engineering, Southeast University（东南大学机械工程学院） 纠错

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

AI总结 研究自动驾驶高级规划问题，提出认知双过程规划框架，用S-CoT模式表示场景知识，通过自动数据引擎、视觉仲裁器及验证器实现自适应推理和规则验证，提升规划准确性、逻辑一致性并降低延迟，明确性能下降条件。

Unifying Decision-Making and Trajectory-Planning in Unsignalized Intersections Using Time-Varying Potential Fields

使用时变势场统一无信号交叉口自动驾驶车辆的决策与轨迹规划

David Costa, Francesco Cerrito, Massimo Canale, Carlo Novara

机构 * Dipartimento di Elettronica e Telecomunicazioni, Politecnico di Torino（电子工程与电信学院，托斯卡纳理工学院） ； Dipartimento di Automatica e Informatica, Politecnico di Torino（自动化与信息学院，托斯卡纳理工学院） 纠错

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

AI总结 针对无信号交叉口自动驾驶车辆，提出用有限时域最优控制问题结合时变人工势场的新框架统一决策与轨迹规划，利用短视运动预测等考虑潜在碰撞，仿真验证了该方法可生成可行安全参考轨迹。

Comments Published in the "2026 34th Mediterranean Conference on Control and Automation (MED)". v2 adds the final IEEE citation and DOI; technical content unchanged

Journal ref 2026 34th Mediterranean Conference on Control and Automation (MED), Ancona, Italy, 2026, pp. 251-256

VG3S: Visual Geometry Grounded Gaussian Splatting for Semantic Occupancy Prediction

VG3S：基于视觉几何的高斯散射用于语义占用预测

Xiaoyang Yan, Muleilan Pei, Shaojie Shen

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学） 纠错

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

AI总结 VG3S 通过引入视觉基础模型的几何 grounding 能力，提升语义占用预测的准确性与泛化能力。

Comments Accepted by IROS 2026

The Geometry of Learning to Avoid Interventions

从紧急停止干预中学习鲁棒性干预

Ethan Pronovost, Khimya Khetarpal, Siddhartha Srinivasa

机构 * Paul G. Allen School of Computer Science \& Engineering, University of Washington, Seattle, USA ； Google DeepMind, Seattle, USA 纠错

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文提出残差干预微调算法，通过结合先验策略解决干预信号不明确的问题，实现鲁棒的策略改进。