自动驾驶

Sparse4D-Radar: An Efficient and Robust Framework for Surround-View 3D Object Detection via 4D Radar-Camera Fusion

Sparse4D-Radar：一种通过4D雷达-相机融合实现高效且稳健的环视3D目标检测框架

Fuyuan Ai, Yuchen Tan, Jiehui Chen, Zhiwei Xu, Chunyi Song

机构 * State Key Laboratory of Ocean Sensing and Ocean College, Zhejiang University（浙江大学海洋传感与海洋学院海洋传感技术国家重点实验室） ； Engineering Research Center of Oceanic Sensing Technology and Equipment, Ministry of Education, Zhejiang University（浙江大学海洋传感技术与装备教育部工程研究中心） ； Donghai Laboratory（东海实验室） ； Ocean College, Institute of Marine Electronics and Intelligent Systems, Zhejiang University（浙江大学海洋学院海洋电子与智能系统研究所） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 针对4D成像雷达在环视感知缺乏成熟方案的问题，提出Sparse4D-Radar框架。设计可变形融合模块等，经实验验证该框架在环视3D检测性能上达先进水平，兼顾精度、鲁棒性与效率。

Comments 13 pages, 6 figures

GaRLILEO: Gravity-aligned Radar-Leg-Inertial Enhanced Odometry

GaRLILEO：基于重力对齐的雷达-腿-惯性增强里程计

Chiyun Noh, Sangwoo Jung, Hanjun Kim, Yafei Hu, Laura Herlant, Ayoung Kim

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出GaRLILEO，一种基于重力对齐的雷达-腿-惯性增强里程计框架，通过连续时间 ego-velocity spline 和软 S2-constrained 重力因子提升垂直姿态估计精度，适用于复杂地形导航。

Comments Accepted for publication at the International Journal of Robotics Research on 30 April, 2026

Reliability-Guided Depth Fusion for Glare-Resilient Navigation Costmaps

基于可靠性引导的深度融合用于抗眩光导航代价地图

Shang-En Tsai

专题命中 多传感器融合 ：occupancy(abstract)；分类 cs.RO

AI总结 针对反光地面、玻璃边界等表面导致的深度测量噪声，提出基于显式深度可靠性建模的代价地图构建方法，通过DRM-Net预测像素级可靠性并采用加权门控融合机制抑制错误占据更新，实验证明能有效减少虚假障碍并保持实时性能。

XD-RCDepth: Lightweight Radar-Camera Depth Estimation with Explainability-Aligned and Distribution-Aware Distillation

XD-RCDepth: 轻量级雷达-相机深度估计，具有可解释性对齐和分布感知蒸馏

Huawei Sun, Zixu Wang, Xiangyuan Peng, Julius Ott, Georg Stettinger, Lorenzo Servadei, Robert Wille

机构 * Technical University of Munich（慕尼黑技术大学） ； Infineon Technologies AG（英飞凌科技） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 提出轻量级雷达-相机深度估计架构XD-RCDepth，通过可解释性对齐蒸馏和深度分布蒸馏减少参数29.7%并保持精度，在nuScenes和ZJU-4DRadarCam数据集上实现实时性能。

IMU Propagation as Preintegration

IMU传播作为预积分

Jianzhu Huai

机构 * State Key Lab of Info Engineering in Surveying, Mapping and Remote Sensing（信息工程测绘遥感国家重点实验室） ； Wuhan University（武汉大学） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文证明IMU预积分与传播在计算上等价，提出一种与约定无关的视角，通过包装现有传播例程获得预积分测量、偏差雅可比和协方差，反之亦然，从而简化代码复用并支持一致性检查。

Comments 6 pages, 2 figures, to present in ISPRS2026 Thematic Session 10 on Radar Perception

NERVE: A Neuromorphic Vision and Radar Ensemble for Multi-Sensor Fusion Research

NERVE：一种用于多传感器融合研究的神经形态视觉与雷达集成系统

Omar Mansour, Pietro Martinello, Ethan Milon, YingFu Xu, Manolis Sifalakis, Guangzhi Tang, Amirreza Yousefzadeh

机构 * 1University of Twente, Netherlands 2University of Modena ； 3University of Strasbourg, France 4IMEC the Netherlands, Netherlands ； 5Innatera, Netherlands 6Maastricht University, Netherlands 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV

AI总结 NERVE包含257分钟同步记录的多传感器数据，用于评估多模态融合，通过DVS与雷达结合提升人体检测和距离估计性能。

Comments To be published in ICJNN 2026 Maastricht

Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning

跨样本关系融合：统一领域泛化与类增量学习

Zhen-Hao Xie, Yan Wang, Hao Sun, Han-Jia Ye, De-Chuan Zhan, Da-Wei Zhou

机构 * School of Artificial Intelligence and the State Key Laboratory of Novel Software Technology, Nanjing University（人工智能学院和新型软件技术国家重点实验室，南京大学） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出CORF框架，通过选择性样本精炼和预测置信度调整，解决领域偏移和灾难性遗忘问题，提升类增量学习的泛化能力。

Comments Accepted by IEEE Transactions on Multimedia (TMM 2026). Code is available at https://github.com/LAMDA-CL/TMM26-CORF

Control Your Queries: Heterogeneous Query Interaction for Camera-Radar Fusion

掌控你的查询：异构查询交互用于摄像头-雷达融合

Jialong Wu, Yihan Wang, Matthias Rottmann

机构 * Osnabrück University（奥斯纳布吕克大学） ； University of Wuppertal（乌尔姆大学） ； Aptiv Services Deutschland GmbH（Aptiv德国服务公司） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出异构查询交互融合方法，通过结合图像、雷达和可学习的世界查询提升3D目标检测性能，实验显示在nuScenes数据集上达到最佳性能。

Reliability-Guided Depth Fusion for Glare-Resilient Navigation Costmaps

可靠性引导的深度融合用于抗眩光导航成本图

Shang-En Tsai, Wei-Cheng Sun

机构 * Intel（英特尔） 纠错

专题命中 多传感器融合 ：occupancy(abstract)；分类 cs.RO

AI总结 本文提出基于显式深度可靠性建模的抗眩光成本图构建方法，通过轻量级深度可靠性地图估计器和可靠性引导融合机制，减少眩光导致的假障碍物插入，提升自由空间保真度。

EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion

EfficientMonoHair: 通过多视图方向融合实现单目视频中的高效发束重建

Da Li, Dominik Engel, Deng Luo, Ivan Viola

机构 * King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） 纠错

专题命中 多传感器融合 ：occupancy(abstract)；分类 cs.CV

AI总结 本文提出EfficientMonoHair框架，结合隐式神经网络与多视图几何融合，实现单目视频中高效准确的发束重建，通过融合补丁多视图优化和并行发生长策略提升效率与鲁棒性。

Comments 10 pages, 6 figures, conference

Le MuMo JEPA: Multi-Modal Self-Supervised Representation Learning with Learnable Fusion Tokens

Le MuMo JEPA：多模态自监督表示学习中的可学习融合标记

Ciem Cornelissen, Sam Leroux, Pieter Simoens

机构 * IDLab, Department of Information Technology, Ghent University - imec（根特大学-imec信息技术系IDLab） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出Le MuMo JEPA框架，通过学习融合标记实现多模态统一表示学习，实验显示其在性能与效率之间取得最佳平衡，尤其在CenterNet检测和密集深度估计中表现优异。

Comments 14 pages, 4 figures, supplementary material. Accepted at the CVPR 2026 Workshop on Unified Robotic Vision with Cross-Modal Sensing and Alignment (URVIS)

HortiMulti: A Multi-Sensor Dataset for Localisation and Mapping in Horticultural Polytunnels

HortiMulti：一种用于温室局部化与建图的多传感器数据集

Shuoyuan Xu, Zhipeng Zhong, Tiago Barros, Matthew Coombes, Cristiano Premebida, Hao Wu, Cunjia Liu

机构 * Department of Aeronautical and Automotive Engineering, Loughborough University（航空航天与汽车工程系，洛桑大学） ； Department of Electrical and Computer Engineering, Institute of Systems and Robotics, University of Coimbra（电气与计算机工程系，系统与机器人研究所，科英布拉大学） ； Antobot Ltd, Arise Innovation Hub（Antobot公司，Arise创新中心） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出HortiMulti数据集，用于解决温室环境中局部化与建图的挑战，通过多传感器数据验证现有方法的不足，为农业机器人提供可靠资源。

DriveXQA: Cross-modal Visual Question Answering for Adverse Driving Scene Understanding

DriveXQA: 多模态视觉问答用于恶劣驾驶场景理解

Mingzhe Tao, Ruiping Liu, Junwei Zheng, Yufan Chen, Kedi Ying, M. Saquib Sarfraz, Kailun Yang, Jiaming Zhang, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； Mercedes-Benz Tech Innovation（梅赛德斯-奔驰技术创新） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出DriveXQA多模态数据集，用于自主驾驶场景中的视觉问答，通过融合多传感器信息提升对异常驾驶场景的理解能力。

Comments Accepted to CVPR DriveX Workshop. Dataset and Code: https://github.com/jtjmd/DRIVEXQA

Radar-Inertial Odometry with Online Spatio-Temporal Calibration via Continuous-Time IMU Modeling

雷达-惯性里程计与连续时间惯性测量模型的在线时空校准

Vlaho-Josip Štironja, Luka Petrović, Juraj Peršić, Ivan Marković, Ivan Petrović

机构 * University of Zagreb Faculty of Electrical Engineering and Computing, Laboratory for Autonomous Systems and Mobile Robotics (LAMOR)（泽格布大学电子工程与计算学院，自主系统与移动机器人实验室） ； Calirad d.o.o.（Calirad公司） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出基于连续时间惯性测量模型的雷达-惯性里程计框架，实现在线空间和时间校准，无需依赖扫描匹配或环境假设，提高鲁棒性。

$x^2$-Fusion: Cross-Modality and Cross-Dimension Flow Estimation in Event Edge Space

$x^2$-Fusion：事件边缘空间中的跨模态和跨维度流估计

Ruishan Guo, Ciyu Ruan, Haoyang Wang, Zihang Gong, Jingao Xu, Xinlei Chen

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology（哈尔滨工业大学） ； The University of Hong Kong（香港大学） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出$x^2$-Fusion方法，通过事件边缘空间实现跨模态和跨维度流的统一表示，提升动态场景理解的准确性和鲁棒性。

Comments This version is the camera-ready version accepted at CVPR 2026

4D Radar-Inertial Odometry based on Gaussian Modeling and Multi-Hypothesis Scan Matching

基于高斯建模和多假设扫描匹配的4D雷达-惯性里程计

Fernando Amodeo, Luis Merino, Fernando Caballero

机构 * Service Robotics Laboratory, Universidad Pablo de Olavide（服务机器人实验室， Pablo de Olavide 大学） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出基于高斯分布的4D雷达场景表示方法，通过全局优化提升注册精度，并通过多假设优化避免局部最优，实验表明其在雷达-惯性里程计任务中表现优异。

Comments Our code and results can be publicly accessed at: https://github.com/robotics-upo/gaussian-rio-cpp Accepted for publication in IEEE Robotics and Automation Letters

Context-Aware Sensor Modeling for Asynchronous Multi-Sensor Tracking in Stone Soup

面向石墨汤的上下文感知传感器建模

Martin Vonheim Larsen, Kim Mathiassen

机构 * Norwegian Defence Research Establishment (FFI)（挪威国防研究机构（FFI）） ； University of Oslo, Department of Technology Systems（奥斯陆大学技术系统系） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出DetectorContext框架，通过上下文感知建模提升异步多传感器跟踪的融合性能，恢复稳定融合并提升HOTA和GOSPA指标。

Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion

多机器人系统中异步传感器融合的去中心化协同定位

Nivand Khosravi, Niusha Khosravi, Mohammad Bozorg, Masoud S. Bahraini

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出了一种去中心化协同定位框架，通过局部卡尔曼滤波和异步传感器融合实现多机器人系统的可靠定位，实验显示其在特征稀疏环境中优于集中式方法。

Comments Presented at the 13th RSI International Conference on Robotics and Mechatronics (ICRoM 2025)

CFEAR-Teach-and-Repeat: Fast and Accurate Radar-only Localization

CFEAR-Teach-and-Repeat：快速且准确的仅雷达定位

Maximilian Hilger, Daniel Adolfsson, Ralf Becker, Henrik Andreasson, Achim J. Lilienthal

机构 * Chair of Perception for Intelligent Systems, Munich Institute of Robotics and Machine Intelligence, Technical University of Munich（感知智能系统教授团，慕尼黑机器人与机器智能研究所，慕尼黑技术大学） ； Robot Navigation and Perception Lab of the AASS Research Center, Örebro University（AASS研究中心机器人导航与感知实验室，奥雷布罗大学） ； Bosch Rexroth, Germany（德国博世· Rexroth公司） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 CFEAR-TR利用单个雷达实现快速且准确的仅雷达定位，精度达0.117米和0.096度，比先前方法提升63%，在恶劣天气下表现优异。

Comments This paper has been accepted for publication in the IEEE International Conference on Robotics and Automation (ICRA), 2026

Rethinking the Mixture of Vision Encoders Paradigm for Enhanced Visual Understanding in Multimodal LLMs

重新思考多模态大语言模型中视觉编码器混合范式以提升视觉理解

Mozhgan Nasr Azadani, James Riddell, Sean Sedwards, Krzysztof Czarnecki

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 LEO通过轻量级融合设计提升多模态大语言模型的视觉理解能力，并在自动驾驶领域展现良好泛化性能。

Comments Accepted by TMLR

Integration of UWB Radar on Mobile Robots for Continuous Obstacle and Environment Mapping

将UWB雷达集成到移动机器人中用于连续障碍物和环境建图

Adelina Giurea, Stijn Luchie, Dieter Coppens, Jeroen Hoebeke, Eli De Poorter

机构 * Department of Information Technology, Ghent University - imec - IDLab（信息科技系，根特大学 - imec - IDLab） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出了一种基于UWB雷达的移动机器人环境建图方法，通过三步处理流程实现高精度障碍物检测，适用于无视觉特征和无固定锚点的未知环境。

Journal ref IEEE Access, vol. 14, pp. 25663-25676, 2026

MSSPlace: Multi-Sensor Place Recognition with Visual and Text Semantics

MSSPlace: 多传感器位置识别与视觉和文本语义

Alexander Melekhin, Dmitry Yudin, Ilia Petryashin, Vitaly Bezuglyj

机构 * Intelligent Transport Laboratory, Moscow Institute of Physics and Technology（智能交通实验室，莫斯科物理技术学院） ； Artificial Intelligence Research Institute (AIRI)（人工智能研究机构（AIRI）） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV

AI总结 MSSPlace通过整合多传感器数据和视觉文本语义，提升位置识别性能，达到最先进的效果。

Comments This work has been submitted to the IEEE for possible publication

How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains

惯性测量单元漂移如何影响多雷达惯性里程计用于地下地形地面机器人

Moumita Mukherjee, Magnus Norén, Anton Koval, Avijit Banerjee, George Nikolakopoulos

机构 * Swedish Department of Energy（瑞典能源部） ； LKAB ； Sustainable Underground Mining (SUM) Academy Programme（可持续地下采矿（SUM）学院计划） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出一种两阶段MRIO框架，通过IMU偏移估计和雷达数据融合，提升地下环境中机器人定位和映射的鲁棒性。

Comments Accepted in IEEE International Conference on Robotics and Automation (ICRA), 2026

Autonomous Inspection of Power Line Insulators with UAV on an Unmapped Transmission Tower

无人机自主检查输电塔绝缘子

Václav Riss, Vít Krátký, Robert Pěnička, Martin Saska

机构 * Czech Science Foundation（捷克科学基金） ； European Union（欧盟） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出了一种基于摄像头和激光雷达融合的无人机自主检查输电塔绝缘子方法，通过仿真和实际飞行验证，显著提高了定位精度并节省了检查时间。

Comments 8 pages, 9 figues

GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task

GFPL: 生成式联邦原型学习用于资源受限和数据不平衡的视觉任务

Shiwei Lu, Yuhang He, Jiashuo Li, Qiang Wang, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） ； Air Force Engineering University（空军工程大学） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 GFPL通过生成式联邦原型学习方法，解决联邦学习中因多数类特征偏见导致的知识融合效率低下和通信开销过大的问题，提升模型准确率并降低通信成本。

GaussianCaR: Gaussian Splatting for Efficient Camera-Radar Fusion

GaussianCaR: 基于高斯点云的高效相机-雷达融合

Santiago Montiel-Marín, Miguel Antunes-García, Fabio Sánchez-García, Angel Llamazares, Holger Caesar, Luis M. Bergasa

机构 * Department of Electronics. University of Alcalá, Spain.（电子系，阿尔卡拉大学，西班牙） ； Department of Cognitive Robotics. Delft University of Technology, The Netherlands.（认知机器人系，代尔夫特理工大学，荷兰） 纠错

专题命中 多传感器融合 ：BEV(abstract)；分类 cs.RO

AI总结 GaussianCaR通过高斯点云实现高效相机-雷达融合，提升自动驾驶中动态物体和地图元素的感知精度与效率。

Comments 8 pages, 6 figures. Accepted to IEEE ICRA 2026

CompEvent: Complex-valued Event-RGB Fusion for Low-light Video Enhancement and Deblurring

CompEvent: 复数值事件-RGB融合用于低光照视频增强与去模糊

Mingchen Zhong, Xin Lu, Dong Li, Senyan Xu, Ruixuan Jiang, Xueyang Fu, Baocai Yin

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 CompEvent通过复数神经网络实现事件数据与RGB帧的全过程融合，提升低光照视频去模糊效果。

Radar-Inertial Odometry For Computationally Constrained Aerial Navigation

雷达-惯性里程计用于计算受限的空中导航

Jan Michalczyk

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 本研究提出雷达-惯性里程计算法，结合雷达和惯性测量单元数据，用于在资源受限条件下实现无人机的实时导航状态估计。

Thermo-LIO: A Novel Multi-Sensor Integrated System for Structural Health Monitoring

Thermo-LIO：一种用于结构健康监测的新型多传感器集成系统

Chao Yang, Haoyuan Zheng, Yue Ma

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.CV

AI总结 Thermo-LIO 通过融合热成像与高分辨率 LiDAR，提升大规模结构健康监测的精度和覆盖范围。

Comments 27pages,12figures

AgriLiRa4D: A Multi-Sensor UAV Dataset for Robust SLAM in Challenging Agricultural Fields

AgriLiRa4D：一种多传感器无人机数据集，用于在具有挑战性的农业田间实现鲁棒SLAM

Zhihao Zhan, Yuhang Ming, Shaobin Li, Jie Yuan

机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； TopXGun Robotics（TopXGun机器人公司） ； School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO

AI总结 AgriLiRa4D提供多传感器数据集，用于在农业环境中实现鲁棒SLAM，支持多种SLAM研究和评估