自动驾驶

Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving

Junyao Guo, Unmesh Kurup, Mohak Shah

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Query-Efficient Imitation Learning for End-to-End Autonomous Driving

Jiakai Zhang, Kyunghyun Cho

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

FlashDrive: Flash Vision-Language-Action Inference for Autonomous Driving

FlashDrive：面向自动驾驶的Flash视觉-语言-动作推理

Zekai Li, Yihao Liang, Hongfei Zhang, Jian Chen, Yesheng Liang, Zhijian Liu

机构 * Princeton（普林斯顿大学） ； UC San Diego（加州大学圣迭戈分校） 纠错

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

AI总结 FlashDrive通过算法-系统协同设计解决VLA推理的四个级联瓶颈，使Alpamayo 1.5-10B的端到端自动驾驶延迟降4.7倍，推理频率提升至6.6Hz，逼近实时部署。

Comments 15 pages; 8 figures

Dreamer-SAC: Off-Policy Learning in Latent World Models for Sample-Efficient Autonomous Driving

Dreamer-SAC：用于样本高效自动驾驶的潜世界模型离线策略学习

Jiazhuo Li, Linjiang Cao, Qi Liu, Xi Xiong

机构 * Tongji University（同济大学） 纠错

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

AI总结 本文提出Dreamer-SAC框架，结合循环状态空间世界模型与离线策略SAC算法，在自动驾驶场景中优于DreamerV3、SAC等基线，且所需真实环境交互更少。

Comments 13 pages, 6 figures

DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing

DecoupleGS：用于端到端自动驾驶测试的交互式三维高斯溅射

Siying Li, Ying Ni, Jie Sun, Jian Sun, Haotian Shi

机构 * College of Transportation, Tongji University（同济大学交通运输学院） ； Key Laboratory of Road and Traffic Engineering, Ministry of Education（教育部道路与交通工程重点实验室） 纠错

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

AI总结 DecoupleGS是一种解耦三维高斯溅射框架，通过分解场景为静态背景与动态智能体，结合三个针对性模块实现高保真交互，为端到端自动驾驶测试提供实用闭环传感器仿真平台。

Comments Accepted to ECCV 2026

Driving Like Yourself: A Benchmark for Closed-Loop Personalized End-to-End Autonomous Driving

驾驶千面：一个闭环个性化端到端自动驾驶的基准

Xiaoru Dong, Ruiqin Li, Xiao Han, Zhenxuan Wu, Jiamin Wang, Jian Chen, Qi Jiang, SM Yiu, Xinge Zhu, Yuexin Ma

机构 * The University of Hong Kong（香港大学） ； ShanghaiTech University（上海科技大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文提出Person2Drive平台，通过个性化数据集、评价指标和框架，解决自动驾驶个性化难题，实现细粒度分析与有效个性化。

Comments Accepted to ECCV 2026. Camera-ready version

PixelPilot: Scalable Vision-Language-Action Models for End-to-End Autonomous Driving

PixelPilot：用于端到端自动驾驶的可扩展视觉-语言-动作模型

Pin Tang, Guoqing Wang, Xiangxuan Ren, Zhongdao Wang, Guodongfang Zhao, Bailan, Chao Ma

机构 * MoE Key Lab of Artificial Intelligence, Institute of AI, Shanghai Jiao Tong University（教育部人工智能重点实验室，上海交通大学人工智能研究院） ； Central Research Institute, Huawei（华为中央研究院） 纠错

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

AI总结 针对现有视觉-语言-动作模型在自动驾驶场景中数据可扩展性有限等问题，提出PixelPilot，采用解耦规划和提升范式，通过知识灌输策略学习，提升了模型性能。

Comments Accepted by ECCV 2026

ExploreVLA: Dense World Modeling and Exploration for End-to-End Autonomous Driving

ExploreVLA: 为端到端自动驾驶的密集世界建模与探索

Zihao Sheng, Xin Ye, Jingru Luo, Sikai Chen, Liu Ren

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 本文提出基于世界建模的统一理解与生成框架，通过密集监督和内在奖励提升自动驾驶策略探索能力，在NAVSIM和nuScenes基准上取得优异性能。

Comments Accepted to ECCV 2026. The code is available at https://zihaosheng.github.io/ExploreVLA/

BadDreamer: Transferable Backdoor Attacks against Video World Models for Autonomous Driving

BadDreamer: 针对自动驾驶视频世界模型的可迁移后门攻击

Zhe Shuai, Xiaopeng Xie, Yikun Zeng

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出BadDreamer，一种针对自动驾驶视频世界模型的可迁移时空后门攻击，通过污染未来帧中的触发-擦除序列，使模型在物理触发出现时幻觉化障碍物消失，进而误导下游动作预测。

Comments 19 pages, 8 figures, 3 tables. Preprint

Zero-Shot Cross-City Generalization in End-to-End Autonomous Driving: Self-Supervised versus Supervised Representations

端到端自动驾驶中的零样本跨城市泛化：自监督与监督表示

Fatemeh Naeinian, Ali Hamza, Haoran Zhu, Anna Choromanska

机构 * Department of Electrical and Computer Engineering, NYU Tandon School of Engineering（电气工程系，纽约大学Tandon工程学院） 纠错

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

AI总结 研究端到端自动驾驶模型在跨城市零样本迁移中的泛化能力，发现自监督预训练（如I-JEPA、DINOv2、MAE）相比监督预训练能显著减少位移和碰撞退化，提升闭环评估中的分布外PDMS。

CausalDrive: Real-time Causal World Models for Autonomous Driving

CausalDrive: 用于自动驾驶的实时因果世界模型

Tianyi Yan, Huan Zheng, Dubing Chen, Meizhi Qu, Yingying Shen, Lijun Zhou, Mingfei Tu, Bing Wang, Guang Chen, Hangjun Ye, Haiyang Sun, Cheng-zhong Xu, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学协同创新研究院，科技学院） ； Xiaomi EV（小米汽车） ； CASIA（中国科学院自动化研究所） 纠错

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

AI总结 提出CausalDrive，一种可控、实时的驾驶世界渲染器，通过因果预测和Context-Forced DMD架构实现交互式模拟，支持闭环评估、强化学习后训练和人在环仿真。

Extending Responsibility-Sensitive Safety for the Assessment of Offloaded Autonomous Driving Services

扩展责任敏感安全以评估卸载的自动驾驶服务

Robin Dehler, Aryan Thakur, Michael Buchholz

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

AI总结 针对自动驾驶功能卸载中V2X通信导致响应时间变化的安全挑战，扩展责任敏感安全定义，提出基于安全约束的卸载决策与回退机制，并引入热备阶段提升回退安全性。

Comments 8 pages; accepted for 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC), Naples, Italy, September 15-18, 2026 - DOI will be added after publication

RoCA: Robust Cross-Domain End-to-End Autonomous Driving

RoCA: 面向鲁棒跨域端到端自动驾驶的框架

Rajeev Yasarla, Shizhong Han, Hsin-Pai Cheng, Apratim Bhattacharyya, Shweta Mahajan, Litian Liu, Yunxiao Shi, Risheek Garrepalli, Hong Cai, Fatih Porikli

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Davis（加州大学戴维斯分校） 纠错

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

AI总结 本文提出RoCA框架，通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息，提升跨域自动驾驶的泛化能力和鲁棒性，无需额外推理计算。

Comments accepted for ICML 2026

D$^3$-MoE:Dual Disentangled Diffusion Mixture-of-Experts for Style-Controllable End-to-End Autonomous Driving

D$^3$-MoE：面向风格可控的端到端自动驾驶的双解耦扩散混合专家模型

Renju Feng, Rukang Wang, Ning Xi, Jianguo Yu, Liping Lu, Pan Zhou, Duanfeng Chu

机构 * Intelligent Transportation Systems Research Center, Wuhan University of Technology（武汉理工大学智能交通系统研究中心） ； School of Mechanical and Electronic Engineering, Wuhan University of Technology（武汉理工大学机械电子工程学院） ； School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） ； Hubei Key Laboratory of Distributed System Security, School of Cyber Science and Engineering, Huazhong University of Science and Technology（湖北省分布式系统安全重点实验室，华中科技大学网络空间安全学院） 纠错

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

AI总结 提出D$^3$-MoE框架，通过行为轴（扩散生成与选择解耦）和物理轴（纵向与横向专家解耦）的双重解耦，实现风格可控的端到端自动驾驶，在NAVSIM基准上达到SOTA规划性能。

Comments 8 pages, 6 figures

Xiaomi Auto World Model: A Joint World Model Integrating Reconstruction and Generation for Autonomous Driving

小米自动驾驶世界模型：一个融合重建与生成的联合世界模型

Lijun Zhou, Hongcheng Luo, Zhenxin Zhu, Cheng Chi, Mingfei Tu, Kaixin Xiong, Lei Gong, Zhanqian Wu, Zehan Zhang, Fangzhen Li, Hao Li, Yingying Shen, Jiale He, Haohui Zhu, Shan Zhao, Kai Wang, Zhiwei Zhan, Yuechuan Pu, Kaiyuan Tan, Ruiling Yang, Xianqi Wang, Tianyi Yan, Jiawei Zhou, Lei Zhang, Jingyang Zhao, Xi Zhou, Chitian Sun, Chenming Wu, Jiong Deng, Hongwei Xie, Ming Lu, Kun Ma, Long Chen, Guang Chen, Hangjun Ye, Bing Wang, Haiyang Sun

机构 * Xiaomi（小米） 纠错

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

AI总结 提出一个统一技术系统，通过稀疏场景查询驱动的重建模块WorldRec和两阶段训练框架WorldGen，实现高保真3D场景表示与高质量因果视频生成，并联合优化以提升生成稳定性、跨帧一致性和视觉保真度。

NudgeVAD: Language-Nudged End-to-End Driving via FiLM Residuals

NudgeVAD: 通过FiLM残差的语言引导端到端驾驶

Chieh-Chi Yang, Yu-Hsiang Chen, Yi-Ting Chen

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

专题命中 端到端驾驶 ：end-to-end driving(title,abstract)；分类 cs.CV

AI总结 提出NudgeVAD框架，利用语言作为校准的微调信号，通过恒等初始化的FiLM和零初始化残差头，在命令不可靠时显著提升驾驶轨迹预测性能。

Comments Technical report for the doScenes Instructed Driving Challenge, CVPR 2026 DriveX Workshop. 1st place in the Ablation track

See Tomorrow, Act Today: Foresight-Driven Autonomous Driving

预见未来，立即行动：基于预见的自动驾驶

Bozhou Zhang, Nan Song, Yuang Wang, Jiankang Deng, Xiatian Zhu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

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

AI总结 本文提出ForeSight框架，通过生成未来场景并据此规划动作，实现前瞻性决策，实验表明其在动态场景中优于现有方法。

Comments CVPR Findings 2026

CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention

CausalVAD：通过因果干预实现端到端自动驾驶的去混淆

Jiacheng Tang, Zhiyuan Zhou, Zhuolin He, Jia Zhang, Kai Zhang, Jian Pu

机构 * Fudan University（复旦大学） ； Embodiq Robotics Co., Ltd. ； Beijing Institute of Technology（北京理工大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 本文提出CausalVAD框架，通过因果干预解决端到端自动驾驶中统计相关性与真实因果关系的矛盾，提升规划精度与安全性。

Comments Accepted to CVPR 2026 (Highlight)

DreamerAD: Efficient Reinforcement Learning via Latent World Model for Autonomous Driving

DreamerAD：通过潜在世界模型实现高效的强化学习用于自动驾驶

Pengxuan Yang, Yupeng Zheng, Deheng Qian, Zebin Xing, Qichao Zhang, Linbo Wang, Yichen Zhang, Shaoyu Guo, Zhongpu Xia, Qiang Chen, Junyu Han, Lingyun Xu, Yifeng Pan, Dongbin Zhao

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd（重庆长安科技有限公司） ； School of Advanced Interdisciplinary Sciences, UCAS（中国科学院大学先进交叉科学学院） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） 纠错

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

AI总结 DreamerAD通过压缩扩散采样将步骤从100步减少到1步，实现80倍加速并保持视觉可解释性，解决了自动驾驶中真实世界数据训练成本高和安全风险大的问题。

Comments authors update

Closing the Navigation Compliance Gap in End-to-end Autonomous Driving

弥合端到端自动驾驶中的导航合规性差距

Hanfeng Wu, Marlon Steiner, Michael Schmidt, Alvaro Marcos-Ramiro, Christoph Stiller

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

AI总结 本文提出NAVI指标和NavControl数据集，通过轨迹评分规划器NaviHydra提升导航合规性，实现92.7 PDM和77.5 CM成绩。

COIN: Collaborative Interaction-Aware Multi-Agent Reinforcement Learning for Self-Driving Systems

COIN: 基于协作交互的多智能体强化学习用于自动驾驶系统

Yifeng Zhang, Jieming Chen, Tingguang Zhou, Tanishq Duhan, Jianghong Dong, Yuhong Cao, Guillaume Sartoretti

机构 * Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（新加坡国立大学设计与工程学院机械工程系） ； Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University（香港理工大学电机及电子工程学系） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） 纠错

专题命中 端到端驾驶 ：self-driving(title,abstract)；分类 cs.RO

AI总结 本文提出COIN框架，通过改进的CIG-TD3算法和双层交互感知集中批评者架构，提升多智能体自动驾驶系统在复杂动态场景中的安全性和效率。

ADV-0: Closed-Loop Min-Max Adversarial Training for Long-Tail Robustness in Autonomous Driving

ADV-0：面向自动驾驶的闭环极小-极大对抗训练以提升长尾鲁棒性

Tong Nie, Yihong Tang, Junlin He, Yuewen Mei, Jie Sun, Lijun Sun, Wei Ma, Jian Sun

机构 * The Hong Kong Polytechnic University, Hong Kong SAR, China（香港理工大学） ； Tongji University, Shanghai, China（同济大学） ； McGill University, Montreal, QC, Canada（麦吉尔大学） 纠错

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

AI总结 本文提出ADV-0框架，通过闭环极小-极大优化，将驾驶策略与对抗 agent 的交互视为零和马尔可夫博弈，提升自动驾驶对长尾场景的鲁棒性。

AD-R1: Closed-Loop Reinforcement Learning for End-to-End Autonomous Driving with Impartial World Models

AD-R1: 闭环强化学习用于端到端自动驾驶的中立世界模型

Tianyi Yan, Tao Tang, Xingtai Gui, Yongkang Li, Jiasen Zhesng, Weiyao Huang, Lingdong Kong, Wencheng Han, Xia Zhou, Xueyang Zhang, Yifei Zhan, Kun Zhan, Cheng-zhong Xu, Jianbing Shen

机构 * SKL-IOTSC, University of Macau（SKL-IOTSC，澳门大学） ； Li Auto Inc. ； Sun Yat-sen University（中山大学） ； Huazhong University of Science and Technology（华中科技大学） ； Northwestern University（西北大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 AD-R1通过引入中立世界模型和反事实合成技术，提升自动驾驶系统在危险预测和安全控制方面的性能。

Toward Unified Multimodal Representation Learning for Autonomous Driving

迈向自动驾驶的统一多模态表示学习

Ximeng Tao, Dimitar Filev, Gaurav Pandey

机构 * J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（德克萨斯大学机械工程系，德克萨斯农工大学，学院站，德克萨斯，77843，美国） ； The Department of Engineering Technology and Industrial Distribution Texas A&M University, College Station, TX 77843, USA（工程技术与工业分布系，德克萨斯农工大学，学院站，德克萨斯，77843，美国） 纠错

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

AI总结 本文提出CTP框架，通过统一多模态张量对齐提升自动驾驶性能。

Efficient and Explainable End-to-End Autonomous Driving via Masked Vision-Language-Action Diffusion

高效的端到端自动驾驶：通过掩码视觉-语言-动作扩散

Jiaru Zhang, Manav Gagvani, Can Cui, Juntong Peng, Ruqi Zhang, Ziran Wang

机构 * Institute for Physical Artificial Intelligence (IPAI), Purdue University（物理人工智能研究所（IPAI）、普渡大学） ； College of Engineering, Purdue University（工程学院、普渡大学） ； Department of Computer Science, Purdue University（计算机科学系、普渡大学） 纠错

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

AI总结 MVLAD-AD通过掩码视觉-语言-动作扩散模型，提升自动驾驶的效率与规划精度，实现高效且可解释的端到端自动驾驶。

Found-RL: foundation model-enhanced reinforcement learning for autonomous driving

Found-RL: 基于基础模型的强化学习用于自动驾驶

Yansong Qu, Zihao Sheng, Zilin Huang, Jiancong Chen, Yuhao Luo, Tianyi Wang, Yiheng Feng, Samuel Labi, Sikai Chen

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

AI总结 Found-RL通过异步批量推理和多样化监督机制，提升自动驾驶中强化学习的效率与实时性。

Comments 39 pages

VDRive: Leveraging Reinforced VLA and Diffusion Policy for End-to-end Autonomous Driving

VDRive：利用强化VLA和扩散策略实现端到端自动驾驶

Ziang Guo, Zufeng Zhang

机构 * Suzhou Automotive Research Institute of Tsinghua University（清华大学苏州汽车研究院） 纠错

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

AI总结 VDRive通过结合强化VLA和扩散策略，实现端到端自动驾驶，提升决策的可解释性和鲁棒性。

Comments WIP

A Unified Candidate Set with Scene-Adaptive Refinement via Diffusion for End-to-End Autonomous Driving

通过扩散生成场景自适应候选集的统一候选集用于端到端自动驾驶

Zhengfei Wu, Shuaixi Pan, Shuohan Chen, Shuo Yang, Yanjun Huang

机构 * School of Automotive Studies, Tongji University, Shanghai, China（同济大学汽车学院） 纠错

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

AI总结 CdDrive通过扩散生成场景自适应候选集，提升端到端自动驾驶的候选集设计与轨迹平滑性

Generative Scenario Rollouts for End-to-End Autonomous Driving

生成场景回放用于端到端自动驾驶

Rajeev Yasarla, Deepti Hegde, Shizhong Han, Hsin-Pai Cheng, Yunxiao Shi, Meysam Sadeghigooghari, Shweta Mahajan, Apratim Bhattacharyya, Litian Liu, Risheek Garrepalli, Thomas Svantesson, Fatih Porikli, Hong Cai

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

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

AI总结 GeRo通过自回归回放策略，结合规划与生成，提升自动驾驶系统的长期推理和多代理规划能力。

GenieDrive: Towards Physics-Aware Driving World Model with 4D Occupancy Guided Video Generation

GenieDrive: 向具有物理意识的驾驶世界模型迈进：基于4D占用的视频生成

Zhenya Yang, Zhe Liu, Yuxiang Lu, Liping Hou, Chenxuan Miao, Siyi Peng, Bailan Feng, Xiang Bai, Hengshuang Zhao

机构 * The University of Hong Kong（香港大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 端到端驾驶 ：occupancy(title,abstract)；分类 cs.CV

AI总结 GenieDrive通过4D占用引导的视频生成，实现物理意识的驾驶视频生成，提升预测精度和视频质量。

Comments The project page is available at https://huster-yzy.github.io/geniedrive_project_page/