自动驾驶

TRUAV: Distributed Multi-Agent Reinforcement Learning for Trajectory Planning and Routing Enhancement in UAV-Aided IoT-Enabled VANETs

TRUAV：无人机辅助的物联网支持的车联网中用于轨迹规划和路由增强的分布式多智能体强化学习

Muhammad Umar Farooq Qaisar, Lin Zhang, Zhen Chen, Wajdy Othman, Shehzad Ashraf Chaudhry, Chang Liu

专题命中 规划控制 ：trajectory planning(title,abstract)

AI总结 研究无人机辅助车联网中轨迹规划与路由增强问题，提出基于独立表格Q学习的分布式多智能体强化学习框架TRUAV，其智能体依局部信息运行，奖励设计兼顾多种因素，模拟显示该框架在多方面表现良好，还讨论了相关挑战与方向。

Comments 7 pages, 3 figures, submitted to IEEE Internet of Things Magazine

AEcroscopyWave: Towards Self-Driving Characterization Platforms for Agentic AI

AEcroscopyWave：迈向用于智能AI的自动驾驶表征平台

Yongtao Liu, Jawad Chowdhury, Ganesh Narasimha, Ralph Bulanadi, Liam Collins, Ruben Millan Solsona, Marti Checa, Asraful Haque, Sumner B. Harris, Stephen Jesse, Rama Vasudevan

专题命中 规划控制 ：self-driving(title,abstract)

AI总结 探讨电子材料表征的两种传统方式，介绍“自动驾驶”表征工具进展。基于AEcroscopyWave平台，通过创建控制硬件的API并整合AI方法，弥合行业规模自动化与高度定制系统差距，展示异构仪器供智能体使用的好处。

Comments 17 pages, 5 figures

G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance

G2DP: 基于时空网格引导的扩散规划

Hang Yu, Ye Jin, Alessandro Canevaro, Julian Schmidt, Julian Jordan, Peizheng Li, Marc Kaufeld, Silvan Lindner, Johannes Betz, Wilhelm Stork

机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； TU Munich（慕尼黑工业大学） ； University of Tübingen（图宾根大学） 纠错

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

AI总结 针对自动驾驶扩散规划器随机性导致的安全与路线保持问题，提出G2DP，通过可微时空代价体积在去噪过程中注入密集梯度，实现无碰撞与路径最优的轨迹生成，在nuPlan等基准上取得最优性能。

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

BC-NMPC: Battery-Constrained NMPC with Propulsion Prediction and Replanning for High-Speed Flight

BC-NMPC：用于高速飞行的具有推进预测和重新规划的电池约束非线性模型预测控制

Parakh M. Gupta, Matej Mihulka, Matej Novosad, Robert Penicka, Martin Saska

机构 * Czech Technical University in Prague（捷克技术大学（布拉格）） 纠错

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

AI总结 针对高速飞行中无人机因电池问题致轨迹跟踪性能下降的问题，提出将电池和推进系统模型集成到NMPC框架的方法，能实时预测相关参数，通过轨迹规划算法提高性能，实验验证了模型准确性和算法有效性。

Comments [Submitted to Elsevier RAS]

Kernel-SDF: An Open-Source Library for Real-Time Signed Distance Function Estimation using Kernel Regression

基于核回归的SDF库：利用核回归进行实时符号距离函数估计的开源库

Zhirui Dai, Tianxing Fan, Mani Amani, Jaemin Seo, Ki Myung Brian Lee, Hyondong Oh, Nikolay Atanasov

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

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

AI总结 本文提出Kernel-SDF开源库，通过核回归实时估计带不确定性的符号距离函数，提供高精度SDF、梯度和网格构造，适用于机器人应用。

Comments Accepted to IEEE Robotics and Automation Letters (RA-L) 2026; code: https://github.com/ExistentialRobotics/kernel_sdf

Low-Latency Quasi-Static Modeling of UAV Tether Aerodynamics

无人机缆线气动学的实时准静态建模

Max Beffert, Andreas Zell

机构 * Cognitive Systems Group, University of Tübingen（图宾根大学认知系统组） 纠错

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

AI总结 本文提出两种互补方法用于实时准静态缆线建模，分析法基于悬链线理论，计算速度快；数值法将缆线分段并离散化，通过CasADi和IPOPT求解平衡方程，实现实时性能，适用于离线优化和在线任务。

Comments Accepted at ICUAS2026

Journal ref 2026 International Conference on Unmanned Aircraft Systems (ICUAS) 1231-1238

Characterizing Warp Divergence from Pascal to Blackwell

从帕斯卡到布莱克威尔架构的 warp 发散特性研究

Alpin Dale

专题命中 规划控制 ：occupancy(abstract)

AI总结 研究从帕斯卡到布莱克威尔架构的 warp 发散特性，通过多种测试方法区分稳定行为与架构变化，发现发散路径线性序列化，执行效率与路径数量有关，不同架构重新收敛机制有变化，新屏障类无明显运行时效果，发散性能成本稳定可预测。

Comments 6 pages, 4 figures

CAPS: Fine-Tuning CCA Timing

CAPS：微调 CCA 定时

Raphael Zailer, Isaac Keslassy

专题命中 规划控制 ：occupancy(abstract)

AI总结 研究数据中心拥塞控制，提出 CAPS 轻量级分布式调度层，通过将发送方传输与 ACK 时钟瓶颈时隙锁相及每流校正补偿异构 RTT，刻画多种拓扑稳态并验证，能降低队列占用率且不损失吞吐量。

Semi-on-Demand Off-Peak Transit Services with Shared Autonomous Vehicles -- Service Planning, Simulation, and Analysis in Munich, Germany

基于共享自动驾驶车辆的半按需非高峰公交服务——德国慕尼黑的服务规划、模拟与分析

Max T. M. Ng, Roman Engelhardt, Florian Dandl, Vasileios Volakakis, Hani S. Mahmassani, Klaus Bogenberger

专题命中 规划控制 ：occupancy(abstract)

AI总结 研究基于共享自动驾驶车辆的半按需非高峰公交服务，结合分析建模与模拟方法，探讨德国慕尼黑十条公交线路的服务规划等关键问题，发现SAV可提高服务质量，验证了分析模型，明确最佳SoD设置及过渡阶段的情况。

Comments 38 pages, 10 figures, accepted for publication in Transportation Research Part C: Emerging Technologies. A previous version was presented at the 104th Transportation Research Board Annual Meeting, Washington, D.C

Journal ref Transportation Research Part C: Emerging Technologies, 2026