自动驾驶

Object Detection for Autonomous Driving in Chinese Rural Scenes: An Experimental Study on Real-Synthetic Data Mixing and Model Evaluation

面向中国乡村场景自动驾驶的目标检测：真实-合成数据混合与模型评估的实验研究

Danning Zhu, Ziyan Lin, Jing Wu

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

AI总结 针对中国乡村自动驾驶目标检测的数据稀缺与泛化问题，构建真实-合成混合数据集并评估13种主流检测器，发现1:0.5合成数据占比时YOLO11m性能最优，为乡村自动驾驶提供实证支持。

DVPSFormer: Efficient Online Depth-aware Video Panoptic Segmentation for Autonomous Driving

DVPSFormer：面向自动驾驶的高效在线深度感知视频全景分割

Yung-Hsu Yang, Luigi Piccinelli, Siyuan Li, Mattia Segu, Lei Ke, Martin Danelljan, Yuqian Fu, Zuria Bauer, Fisher Yu, Hermann Blum, Marc Pollefeys

机构 * ETH Zürich（苏黎世联邦理工学院） ； INSAIT, Sofia University（保加利亚索菲亚大学INSAIT研究所） ； University of Bonn（波恩大学） ； Microsoft（微软公司） 纠错

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

AI总结 DVPSFormer是一种统一在线架构，通过ESD和OMV机制实现高效4D场景理解，在两个DVPS基准上达SOTA，为自动驾驶提供在线机器人感知的精简方案。

HeteroPROPMT: A Real-time and Privacy-Preserving Heterogeneous Collaborative Perception Framework

HeteroPROPMT：一种实时且隐私保护的异构协同感知框架

Armin Maleki, Hayder Radha

机构 * Michigan State University（密歇根州立大学） 纠错

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

AI总结 HeteroPROPMT是一种实时隐私保护异构协同感知框架，通过模块化提示与轻量调优对齐异构智能体特征，在OPV2V-H等数据集上性能优于现有方法，且参数效率高、隐私性好。

Comments Accepted to 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 9 pages, 4 figures, 5 tables

Physically Real-time Infrared Attack against Optical Flow Estimation Networks

面向光流估计网络的物理实时红外攻击

Shen You, Wei Jiang, Jiarui Liu, Yijian Ye, Qiuzhen Lin, Xiangtao Li, Ka-Chun Wong

机构 * City University of Hong Kong（香港城市大学） ； University of Electronic Science and Technology（电子科技大学） ； Shenzhen University（深圳大学） ； Jilin University（吉林大学） 纠错

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

AI总结 该研究提出一种利用红外光的物理实时攻击方法，通过动态显示对抗样本破坏光流估计网络，在多种场景下均能有效削弱网络的光流估计能力。

Towards Trustworthy Embodied Intelligence: A Systems Framework and Graded Trustworthiness Levels

面向可信赖的具身智能：一个系统框架与分级可信赖性水平

Xinyu Yang, Tianxing Chen, Honghao Su, Minxuan Wang, Chenze Yu, Zhangzheng Tu, Yue Chen, Yuxiao Huo, Lingfeng Zhang, Yan Huang, Yan Qin, Shaolong Zhu, Qiwei Liang, Hekun Tian, Shujia Liu, Guangyu Chen, Junhao Gong, Zixuan Li, Wenwei Lin, Zijian Lin, Wenxuan Zhu, Eric J Chen, Yue Yuan, Qize Yu, Jiaqi Liang, Haowen Yan, Hengfei Zhao, Weijie Wan, Zikun Xiao, Junyuan Tang, Baijun Chen, Kai-Chong Lei, Kaixuan Wang, Kailun Su, Zanxin Chen, Yao Mu, Renjing Xu, Chuqiao Lyu, Qi Xiong, Ping Luo, Wenbo Ding

机构 * THU（清华大学） ； PKU（北京大学） ； HKUST (GZ)（香港科技大学（广州）） 纠错

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

AI总结 该研究提出具身智能可信赖性的四层系统框架，构建涵盖多维度的可信赖性水平层级，为具身智能的可信赖部署、评估等提供依据。

Comments Website: https://xsparkai.com/sparklab/towards-trustworthy-eai

Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment

结合学习轨迹基元与概率安全评估的风险感知运动规划

Marc Kaufeld, Dian Zhuang, Johannes Betz

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

AI总结 本文提出由径向基函数网络指导的运动规划框架，结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化，在城市驾驶场景中提升风险感知并减少车辆限制违规，确保安全与可解释性。

Comments 8 pages, submitted to IEEE ITSC 2026, Naples, Italy

Mitigating Compounding Error via Video Representation Regularization

通过视频表示正则化缓解复合误差

Taiye Chen, Qi Zhang, Yisen Wang

机构 * Peking University（北京大学） 纠错

专题命中 端到端驾驶 ：autonomous driving(abstract)；分类 cs.CV

AI总结 针对视频扩散世界模型自回归生成的复合误差问题，研究发现其与表示维度崩溃相关，提出视频表示正则化方法，在VBench指标上显著优于Diffusion Forcing，提升了长视频生成的鲁棒性。

FPSGen: Flexible Point Cloud Scene Generation with BEV-Supported Transport Flows

FPSGen：基于鸟瞰图支持的传输流的灵活点云场景生成

Wenzhe He, Meng Wang, JiaWei Qian, Jinfeng Xu, Ying Liu, Ruihui Li

专题命中 BEV与占用 ：BEV(title,summary_cn)；LiDAR(abstract)；分类 cs.CV、cs.AI

AI总结 FPSGen是一种不依赖部分扫描结果的灵活点云场景生成框架，通过BEV先验构建点源与路径拉直传输方案，在SemanticKITTI补全和KITTI-360无条件生成任务上达到先进性能。

Comments 34 pages, 16 figures

Second-Order Multi-Set Allocation Occupancy (MAO) Distributions under Pairwise-Intersection Constraints: Exact Laws, MAO Norms, Inequalities, and Limit Theory

两两交集约束下的二阶多集合分配占有（MAO）分布：精确定律、MAO范数、不等式与极限理论

Xing-gang Mao

专题命中 BEV与占用 ：occupancy(title,abstract)

AI总结 该研究在前期一阶MAO理论基础上，通过引入两两交集约束开发二阶MAO分布理论，定义了相关范数与矩，建立极限理论并可推广至更高阶理论。

Comments 57 Pages, 2 Figures, 5 Tables

Lewis-labeled graphs: curly arrows and fishhooks as executable electron transfers

Lewis标记图：作为可执行电子转移的弯箭头与鱼钩符号

Tieu-Long Phan

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 该研究提出Lewis标记图（LLG）模型，将弯箭头等电子流符号转化为可执行规则，经实验验证其能准确重放反应并拒绝篡改，为反应机理建模提供通用可执行状态空间。

Comments 32 pages, 12 figures, 5 tables, including Supporting Information

Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna

基于机载激光雷达的单木分割：分水岭算法与区域生长法的对比——以博洛尼亚城市区域为例

Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

专题命中 激光雷达 ：LiDAR(title,summary_cn)

AI总结 该研究以博洛尼亚城市区域为案例，对比分水岭算法与区域生长法对机载LiDAR点云的单木分割效果，提取植被指标并构建交互式地图，为城市绿化规划提供可扩展基础。

Comments 26 pages, 21 figures

SeasonStereo: Robust Dense Stereo Matching for Multi-Date Satellite Imagery via Generative AI

SeasonStereo：基于生成式AI的多日期卫星图像鲁棒密集立体匹配

Álvaro Díaz-Laureano, Roger Marí, Elías Masquil, Pablo Arias, Gabriele Facciolo

机构 * Eurecat（欧罗卡特技术中心） ； IIE, Facultad de Ingeniería, Universidad de la República（乌拉圭共和国大学工程学院IIE） ； Universitat Pompeu Fabra（庞培法布拉大学） ； Université Paris-Saclay（巴黎萨克雷大学） ； CNRS（法国国家科学研究中心） ； ENS Paris-Saclay（巴黎萨克雷高等师范学校） ； Institut Universitaire de France（法国大学研究院） 纠错

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

AI总结 SeasonStereo框架利用带可控季节外观变化的合成图像对训练并结合基础模型零样本几何先验，实现低成本、高精度的多日期卫星图像密集立体匹配，支持大规模三维重建。

NeoRacer: An Open, Standardized 1:12 Scale Autonomous Race Car for Benchmarking and Education

NeoRacer：用于基准测试与教育的开源标准化1:12比例自主赛车

Koneshka Bandyopadhyay, Ansh Mehta, Bassel El Mabsout, Renato Mancuso

机构 * neobotics（尼奥机器人） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.RO

AI总结 本研究推出开源标准化1:12比例自主赛车NeoRacer，兼具高算力与低成本，可作为自主赛车算法的基准测试平台，还可用于相关教育场景，已通过试点部署验证可行性。

Dense Soft Weighting for Radar Ego-Velocity Estimation

用于雷达自速度估计的密集软加权方法

Atar Babgei, Chenyu Zhao, Michael Breza, Julie A. McCann

机构 * Imperial College London（帝国理工学院） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 针对视觉退化环境中雷达自速度估计的传统CFAR方法易丢失有效线索的问题，提出密集软加权雷达前端，结合鲁棒加权最小二乘估计自速度，在多数据集上显著降低位姿误差且可实时运行。

Comments Submitted to

PUDA: An AI-Native Hardware Harness for Self-Driving Laboratories

PUDA：面向自动驾驶实验室的AI原生硬件控制框架

Zekun Ren, Hongzhao Tan, Jiaen Yee, Kedar Hippalgaonkar

专题命中 其他自动驾驶 ：self-driving(title,abstract)；分类 cs.AI

AI总结 该研究提出面向自动驾驶实验室的AI原生硬件控制框架PUDA，通过命令行环境实现智能体与硬件的确定性交互，分离科学编排与物理操作，为智能体自动驾驶实验室提供实用执行与数据环境。