视觉与机器人
自动驾驶感知、规划、BEV、占用预测、激光雷达和仿真评测。
ROAD-Waymo：一个用于自动驾驶的大规模动作感知数据集
机构 * Oxford Brookes University（奥克斯福德布鲁克斯大学） ； MAZUST ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； ETH Zurich（苏黎世联邦理工学院）
专题命中 仿真评测 ：autonomous driving(title)；分类 cs.CV
AI总结 本文提出ROAD-Waymo数据集，用于道路场景中代理、动作等检测技术开发与基准测试，比现有数据集更大更具挑战性，含大量标注数据，通过新注释管道增强完整性，还能解决不同国家道路场景的域适应问题。
Great X：一种统一的多模态模拟器，弥合6G的模拟与现实差距
机构 * Shanghai University（上海大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
专题命中 仿真评测 ：LiDAR(abstract,abstract_cn)；分类 cs.CV
AI总结 针对6G无线研究中多模态数据集收集难题及现有模拟器不足，提出在虚幻引擎实现统一单引擎模拟器Great-X，集成光线追踪等技术，构建含大量同步样本的Great-MCD，实验显示其性能优于现有模拟器及测量数据基线。
NVIDIA OmniDreams：用于闭环自动驾驶仿真的实时生成式世界模型
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出OmniDreams，一个基于Cosmos扩散模型训练的基础生成式世界模型，通过自回归生成动作条件视频，实现闭环仿真中复杂长尾场景的实时合成，并验证其在策略模型训练中的有效性。
RealityBridge: 连接可编辑3D高斯泼溅驾驶模拟与现实世界视频
机构 * Sun Yat-sen University（中山大学） ； Guangdong Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education（教育部机器智能与先进计算重点实验室）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI
AI总结 提出RealityBridge框架，利用多模态控制和轻量级GateNet，结合自回归长视频训练与奖励引导后训练，缩小编辑后3DGS驾驶视频的Sim-to-Real差距，提升视觉真实感和时间一致性。
Comments Under submission
TerraZero：用于大规模零演示自博弈的过程式驾驶模拟
机构 * Applied Intuition（应用直觉）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI
AI总结 研究旨在训练强大自动驾驶智能体，提出TerraZero过程式驾驶模拟器和自博弈训练堆栈，其速度快、逼真且多样。通过特定方式填充地图生成无限场景，智能体仅靠强化学习训练，能零样本泛化，在多个基准测试中表现出色。
Comments Technical Report from Applied Intuition Research
DSBench：用于评估外部和车内风险的综合基准测试
机构 * University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Xiaomi EV（小米电动车） ； Fudan University（复旦大学） ； Xidian University（西安电子科技大学） ； South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI
AI总结 针对视觉语言模型在安全关键场景适用性未充分探索的问题，引入DSBench综合基准测试，涵盖外部与车内风险，分多类别。评估发现模型在复杂情况下降，构建数据集微调可提升性能，推动自动驾驶技术发展，相关资源将公开。
DriveVA: 视频动作模型是零样本驱动器
机构 * University of Twente（特温特大学） ； Xiaomi EV（小米电动汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV
AI总结 DriveVA提出了一种新的自动驾驶世界模型，通过共享潜在生成过程联合解码未来视觉预测和动作序列，提升跨数据集和传感器配置的泛化能力，减少碰撞率和误差。
Comments Accepted to ECCV 2026. 30 pages, 12 figures, 11 tables
UniMM：一种用于多智能体仿真的统一混合模型框架
机构 * Zhejiang University（浙江大学） ； Horizon Robotics
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI
AI总结 提出UniMM框架统一回归混合模型与离散NTP模型，通过闭环样本生成缓解分布偏移，并在WOSAC基准上取得最优性能。
Comments Accepted author manuscript. The version of record has been published in IEEE Transactions on Pattern Analysis and Machine Intelligence
Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, Early Access, 2026
NoRD: 一种无需推理的高数据效率视觉-语言-动作模型
机构 * Applied Intuition ； Texas A&M University（德克萨斯大学A&M分校） ； UC Berkeley（伯克利加州大学）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI
AI总结 提出NoRD模型，通过无需推理标注和仅需<60%数据微调，结合Dr. GRPO算法克服难度偏差，实现与现有VLA模型相当的性能，显著降低数据与计算开销。
Comments Accepted to CVPR 2026. Code available at: https://github.com/Applied-Open-Source/nord
SinD 2.0：一个用于信号交叉口面向SOTIF安全验证的具有语义风险注释的多城市无人机数据集
机构 * Tsinghua University（清华大学） ； Beijing Institute of Technology（北京理工大学） ； Guangzhou Automobile Group Co., Ltd.（广州汽车集团股份有限公司） ； Jilin University（吉林大学） ； Chang’an University（长安大学） ； Chongqing University（重庆大学） ； Southwest University（西南大学） ； Wuhan University of Technology（武汉理工大学） ； Virginia Tech Transportation Institute（弗吉尼亚理工大学交通研究所） ； Virginia Tech（弗吉尼亚理工大学）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO
AI总结 针对自动驾驶系统在信号交叉口安全验证的瓶颈，介绍SinD 2.0多城市无人机数据集。通过跨域多样、高密度风险交互、分层语义注释及全栈测试工具链，能有效暴露算法性能局限，为ADS安全分析提供有力支持。
AutoMOOSE：一种用于自主相场模拟的智能体AI
机构 * Department of Mechanical and Industrial Engineering, University of Illinois Chicago（伊利诺伊大学芝加哥分校机械与工业工程系） ； Center for Nanoscale Materials, Argonne National Laboratory（阿贡国家实验室纳米尺度材料中心）
专题命中 仿真评测 ：self-driving(abstract)；分类 cs.AI
AI总结 AutoMOOSE通过智能体框架实现自主相场模拟全流程，无需人工干预即可生成输入文件、并行执行模拟并验证结果，展示了AI在材料发现中的潜力。
具有重新定位、时钟约束资源的实时卡车满载投标接受的认证差距双价格策略
机构 * Bubba AI（Bubba人工智能公司）
专题命中 仿真评测 ：occupancy(abstract)；分类 cs.AI
AI总结 研究实时卡车满载投标接受决策问题，基于拉格朗日松弛构建双价格策略，证明其有效性、渐近最优性及证书局限性，实验表明该策略在基准测试中表现良好，决策速度快，证书稳定。
Comments 19 pages, 1 figure. Companion benchmark paper: arXiv:2607.07343. v2: fleet-coupling estimate proved in full (new Appendix A); terminal-value accounting in the fluid LP corrected; price-table granularity made explicit; empirical results unchanged
视图变换还是不视图变换：基于NeRF的预训练视角
机构 * KAIST（韩国科学技术院）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV
AI总结 提出NeRP3D检测器，避免视图变换与NeRF的冲突先验，保留预训练NeRF网络，实现连续3D表示学习，在nuScenes上提升场景重建和检测性能。
Comments The Fourteenth International Conference on Learning Representations (ICLR'26)
DynNPC：通过动态NPC行为生成在仿真测试中发现更多由ADS引发的违规
机构 * College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO
AI总结 提出DynNPC框架，让NPC车辆在仿真执行中根据交通信号和自车行为动态生成驾驶策略，以生成更多由自动驾驶系统（ADS）引发的违规场景，提升测试效率。
Comments Accepted by TOSEM 2026
ReMoT: 基于运动对比三元组的强化学习
机构 * Xi’an Jiaotong University（西安交通大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院）
专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV
AI总结 提出ReMoT统一训练范式，通过规则生成大规模运动对比数据集和组相对策略优化，解决VLM时空一致性问题，在时空推理任务上提升25.1%。
Comments CVPR 2026 Highlight
评估通用机器学习力场与实验测量的对比
机构 * Department of Civil Engineering, Indian Institute of Technology Delhi（印度理工学院德里土木工程系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里人工智能学院） ； Intel Labs, California, USA（美国加州英特尔实验室） ； Department of Materials Science and Engineering, Indian Institute of Technology Delhi（印度理工学院德里材料科学与工程系） ； Department of Computer Science and Engineering, Indian Institute of Technology Delhi（印度理工学院德里计算机科学与工程系）
专题命中 仿真评测 ：occupancy(abstract)
AI总结 提出UniFFBench框架和MinX数据集，系统评估六种通用机器学习力场，发现模型在计算基准上表现优异但在实验复杂性下存在显著“现实差距”，密度预测误差高于实际应用阈值。
基于策略驱动的DRL的NR-U与Wi-Fi共存中的TXOP自适应
机构 * Research Center for Information Technology Innovation (CITI), Academia Sinica (AS)（资讯科技创新研究所以（CITI），中华学术界（AS）） ； Department of Electrical Engineering, National Taiwan Normal University (NTNU)（国立台湾师范大学电子工程系（NTNU））
专题命中 仿真评测 ：occupancy(abstract)
AI总结 针对NR-U与Wi-Fi在非授权频谱共存中的频谱利用不平衡问题，提出一种基于策略驱动的深度强化学习框架，通过奖励设计实现公平性、吞吐量和效用的灵活权衡控制。
Comments 15 pages, 13 figures, 2 tables, submitted to IEEE Open Journal of the Communications Society
自主驾驶数据集：从2000万篇论文到大规模精细化生物医学知识
机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Genetics, University of Pennsylvania（宾夕法尼亚大学遗传学系） ； Departments of Bioengineering and Chemical and Biomolecular Engineering, University of Pennsylvania（宾夕法尼亚大学生物工程与化学与生物分子工程系）
专题命中 其他自动驾驶 ：self-driving(title)
AI总结 本文提出通过PubMed自动生成结构化数据集，实现更大规模、更精细和更准确的生物医学知识，展示Starling系统在多个任务中生成大规模数据集并提升准确性。
隐蔽的多任务对抗攻击
机构 * Cleveland State University（克利夫兰州立大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Western Digital Research（西部数据研究院）
专题命中 其他自动驾驶 ：autonomous driving(abstract)；分类 cs.CV
AI总结 提出SMTA²框架，通过约束多目标优化和自动损失权重调整，实现对多任务模型中特定任务的隐蔽攻击，同时保持非目标任务性能不变。
基于梯度的训练中对数据投毒的认证鲁棒性
机构 * Department of Computing, Imperial College London, United Kingdom（帝国理工学院伦敦分校计算机系） ； Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； LogicStar.ai, Switzerland（LogicStar.ai公司） ； The Alan Turing Institute, United Kingdom（艾伦·图灵研究所）
专题命中 其他自动驾驶 ：autonomous driving(abstract)；分类 cs.CV
AI总结 提出首个框架，通过凸松弛过度近似参数更新集，为梯度下降训练的模型提供针对无目标、有目标投毒和后门攻击的可证明鲁棒性保证。
Comments 21 pages, 8 figures
条件归一化流用于前向和后向联合状态与参数估计
机构 * Department of Computer Science and Engineering University of Notre Dame（计算机科学与工程系诺特达姆大学） ； Department of Pediatrics Stanford University（儿科系斯坦福大学） ； Department of Applied and Computational Mathematics and Statistics University of Notre Dame（应用与计算数学与统计系诺特达姆大学）
专题命中 其他自动驾驶 ：autonomous driving(abstract)
AI总结 针对非线性非高斯系统，提出基于条件归一化流的状态滤波方法，结合MLP、Transformer或Mamba-SSM生成条件嵌入，并引入最优传输动力学损失缓解过参数化，在自动驾驶和COVID-19联合估计中验证有效性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈