自动驾驶

ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control

ADAPT：面向自适应可迁移HVAC控制的物理感知扩散式世界模型

Xu Yang, Kailai Sun, Dianyu Zhong, Qianchuan Zhao

专题命中 感知 ：occupancy(abstract)；分类 cs.AI

AI总结 本文针对现有HVAC控制方法泛化性差的问题，提出物理感知扩散世界模型ADAPT，在IID控制下可降HVAC能耗7.3%、不适度30.2%，OOD场景下迁移鲁棒性显著优于现有方法。

CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios

CAViAR：用于真实场景细粒度事故推理的因果视频数据集

Sparsh Garg, Yi-Wen Chen, Vijay Kumar B G, Abhishek Aich

机构 * NEC Laboratories, America（美国NEC实验室） 纠错

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

AI总结 该研究推出人工标注的真实事故视频基准CAViAR，测试发现现有VLMs存在感知-推理差距，无法可靠将驾驶场景主体行为映射到责任类别。

Comments Accepted to ECCV 2026 Workshop DriveX

SceneGTMM: A Conformal Mapping-based Scene-Aware Transferable GNN-Transformer Dual-Graph Interaction Framework for Map Matching

SceneGTMM：一种基于保角映射的场景感知可迁移GNN-Transformer双图交互地图匹配框架

Yongliang Zhang, Feng Song, Ji Chen, Lishuai Guo, Yong Deng, Yue Zheng, Tianyi Liu, Zhixiong Chen, Qixin Zhang

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

AI总结 本文提出SceneGTMM框架，通过保角映射场景策略、双图交互架构与CRF增强预测，提升地图匹配的噪声鲁棒性、跨区域迁移性与可解释性，在多源及跨城轨迹匹配中表现优于基线方法。

Planning-Oriented End-to-End Autonomous Driving: Architectures, Evaluation, and Emerging Paradigms

面向规划的端到端自动驾驶：架构、评估与新兴范式

Yanchen Guan, Xingcheng Liu, Bin Rao, Chengyue Wang, Guofa Li, Yunjian Li, Lishengsa Yue, Zhiyong Cui, Chengzhong Xu, Zhenning Li

机构 * University of Macau（澳门大学） ； Chongqing University（重庆大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tongji University（同济大学） ； Beihang University（北京航空航天大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；BEV(abstract,abstract_cn)；end-to-end driving(abstract)；分类 cs.RO

AI总结 本综述梳理了端到端自动驾驶从回归任务向面向规划系统的转变，沿四个维度整合方法，分析基准转变，指出需结合一致评估解读架构进展，并总结了多项开放性挑战。

Multimodal Trajectory Planning for Surface Vehicles using Turning Circle-based Control Barrier Functions

基于转向圆型控制障碍函数的水面航行器多模态轨迹规划

Changyu Lee

机构 * Kongju National University（公州国立大学） 纠错

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

AI总结 本文针对动态环境下自主水面航行器，提出结合MPC与TC-CBF的无引导路径多模态轨迹规划框架，可提升避碰成功率、减少安全违规并缓解局部极小问题。

Comments This work has been submitted to an Elsevier journal for possible publication

G-MARK: Grounded Multi-Agent Reasoning for Cooperative Driving via Knowledge Graphs

G-MARK：基于知识图谱的协同驾驶接地多智能体推理

Bhavya Gupta, Onat Gungor, Tajana Rosing

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； West Virginia University（西弗吉尼亚大学） 纠错

专题命中 规划控制 ：autonomous driving(abstract)

AI总结 提出 G-MARK 框架，通过知识图谱实现协同驾驶多智能体推理，提升遮挡推理与控制选择性能，减小通信负载，效果优于现有基线。

Comments Accepted for oral presentation at the 25th IEEE International Conference on Machine Learning and Applications (ICMLA'26)

The Lazy Pod That Lies: Deferred Cost and Failure Semantics of Lazy Container Image Pulling for Model Serving on Kubernetes

虚假的惰性容器：Kubernetes上模型服务的惰性容器镜像拉取的延迟成本与故障语义

Georgii Kliukovkin

专题命中 规划控制 ：occupancy(abstract)

AI总结 该研究针对Kubernetes模型服务的惰性镜像拉取，发现其冷启动时间与镜像大小无关，但存在延迟成本及缓存耗尽导致的Pod故障等问题，并给出部署、监控等指导方案。

Comments 8 pages, 2 figures, 6 tables. Measurement artifact: this https URL (https://github.com/kliukovkin/lazy-model-delivery-study)

CVSD-Reg: Cross-Modal Visual Semantic Prior Distillation for Robust LiDAR Registration

CVSD-Reg：用于鲁棒激光雷达配准的跨模态视觉语义先验蒸馏

Eunsoo Im, Junghun Suh, Gyeonggwan Lee, Seunghwan Hong

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出CVSD-Reg框架，通过蒸馏视觉基础模型的语义先验提升激光雷达配准的鲁棒性，在多数据集上的成功率优于现有方法，且无需相机输入或事后ICP精修。

LF-GICP: Parameter-Free Degeneracy-Aware LiDAR Odometry via a Voxel-Normal Localizability Field

Eunsoo Im

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

Multi-Agent Orchestration with the Common-Sense Reasoning Capabilities of LLMs for Autonomous Driving

结合大语言模型常识推理能力的多智能体协同框架用于自动驾驶

Mehdi Azarafza, Faezeh Pasandideh, Ali Ehteshami Bejnordi, Stefan Henkler, Achim Rettberg

专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.CV

AI总结 该研究针对自动驾驶中强化学习等方法的上下文推理缺陷，提出结合LLM常识推理的混合多智能体协同框架，经CARLA场景验证可保留结构化控制与安全机制，具备应用潜力。

Comments 17 pages, 7 figures

SCAPE: Scenario-Conditioned Simulation-Augmented Policy Evaluation

SCAPE：场景条件化的模拟增强策略评估

Dijie Zhu, Seunghun Oh, Ruopeng Huang, Zhiyu Huang, Jiaqi Ma, Chen Tang

机构 * Seoul National University（首尔国立大学） ； University of Southern California（南加州大学） ； North Carolina State University（北卡罗来纳州立大学） ； University of California Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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

AI总结 针对机器人学习策略部署的评估瓶颈，提出 SCAPE 框架，通过校正模拟偏差、共形预测校准不确定性，在自动驾驶等任务上提升场景预测精度与样本效率，支持细粒度部署。

Comments 22 pages