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

PerceptDrive: Perception Prior World-Action Modeling with Adaptive Expert Routing for End-to-End Autonomous Driving

PerceptDrive：用于端到端自动驾驶的具有自适应专家路由的感知先验世界-动作建模

Yushan Liu, Tianxiong Lv, Bohua Wang, Hangqi Fan, Chenxu Zhao, He Zheng, Xuchang Zhong, Yifan Xie, Congyang Zhao, Zhihao Liao, Leigang Luo, Yang Cai, Xiao-Ping Zhang, Wenbo Ding

机构 * Tsinghua University（清华大学） ； AMap, Alibaba Group（高德软件有限公司，阿里巴巴集团） 纠错

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

AI总结 研究针对自动驾驶中感知基础模型的问题，提出PerceptDrive框架，将教师提炼先验和观察潜变量输入可训练模型，经特定分支处理、先验保留及场景条件路由，实验表明其性能领先，证实相关方法的有效性及对先验的依赖。

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

WASABI: Whole-graph Assignment-based Stabilizer for lAne topology By Inter-frame tracking

WASABI：基于帧间跟踪的车道拓扑全图分配稳定器

Tetsuhiro Uchida, Myu Sasaki, Kensho Nakajima, Yasuhiro Shimada, Toru Saito

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

AI总结 研究针对自动驾驶中车道拓扑感知模型输出不稳定问题，提出WASABI实时后处理管道，通过联合跟踪车道段及其连通性，集成多种技术，在内部验证数据上提升了检测F1等指标，实现帧内和帧间车道拓扑稳定。

ReferTrack: Referring Then Tracking for Embodied Visual Tracking

ReferTrack：用于具身视觉跟踪的先指认后跟踪

Hanjing Ye, Tianle Zeng, Jiazhao Zhang, Shaoan Wang, Zibo Zhang, Weisi Situ, Yuchen Zhou, Yonggen Ling, Hong Zhang

机构 * SUSTech（南方科技大学） ； Tencent Robotics X（腾讯机器人X实验室） ； Peking University（北京大学） ； Futian Laboratory（福田实验室） 纠错

专题命中 感知 ：trajectory planning(abstract)；分类 cs.RO

AI总结 研究针对具身视觉跟踪问题，提出ReferTrack先指认后跟踪范式，用单个摄像头，先选目标再解码跟踪航点，通过滑动窗口队列保留运动线索，经数据集协同训练增强识别，在EVT - Bench上达先进单视图性能并验证了迁移能力。

MOF-Sleuth: Tool-Grounded Reward Alignment for Explainable Fine-Grained MOF CIF Auditing

MOF-Sleuth：用于可解释细粒度MOF CIF审核的工具基础奖励对齐

Yu Liu, Zhiwei Yang, Diandian Guo, Kun Peng, Fangfang Yuan, Cong Cao, Chaozhuo Li, Zhiyuan Ma, Yanbing Liu, Guobin Zhao

专题命中 感知 ：occupancy(abstract)；分类 cs.AI

AI总结 研究针对MOF数据库CIF输入错误影响下游结果及人工检查的问题，提出MOF-Sleuth，通过强化引导CIF审核代理的两个模块，利用奖励引导强化学习将工具测量转化为监督，提升检测、归因及解释质量，在多基准测试中性能领先。

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。

Towards Resilient Tracking in Autonomous Vehicles: A Distributionally Robust Input and State Estimation Approach

面向自动驾驶车辆的鲁棒跟踪：一种分布鲁棒的输入和状态估计方法

Kasra Azizi, Kumar Anurag, Wenbin Wan

专题命中 感知 ：autonomous driving(abstract)

AI总结 本文提出一种分布鲁棒的输入和状态估计方法，用于提高自动驾驶车辆在模型不确定性和测量异常情况下的鲁棒跟踪性能。