自动驾驶

Adaptive Deep Koopman Operator for Vehicle Dynamics Modeling: A Physics-Informed and Tire-Force-Driven Approach

自适应深度库普曼算子用于车辆动力学建模：一种物理信息与轮胎力驱动方法

Wenjie Wang, Hao Chen, Ran Shu, Solyeon Kwon, Kyoungseok Han, Hongyu Shu

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

AI总结 针对深度库普曼算子在在线应用中因高维提升状态空间导致的秩亏问题，提出一种轮胎力驱动建模框架，通过嵌入7自由度动力学约束和物理信息变步长归一化最小均方算法，实现稳定在线更新，在CarSim和dSPACE硬件在环测试中验证了鲁棒精度与实时性。

A Comparative Study of Graph Neural Network Layer Selection for Interaction Modelling in Driving Trajectory Prediction

图神经网络层选择用于驾驶轨迹预测中交互建模的比较研究

George Daoud, Mohamed El-Darieby

机构 * Ontario Tech University（安大略理工大学） ； Assiut University（艾斯尤特大学） 纠错

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

AI总结 本文比较了19种图神经网络层在轨迹预测中的空间和时间处理能力，发现ARMA、Chebyshev和拓扑感知层表现最佳，并总结了基于和聚合、多头注意力和不同跳距权重等设计原则。

Comments 6 pages, 1 figure

Journal ref The IEEE Intelligent Vehicles Symposium (IEEE IV 2026)

m6A-FORM: An m6A-focused Foundation Model for Decoding m6A Regulatory Function

m6A-FORM：解码N6-甲基腺苷生物学的基础模型

Ting-He Zhang, Sumin Jo, Shou-Jiang Gao, Yufei Huang

专题命中 规划控制 ：occupancy(abstract)

AI总结 提出基于Transformer的基础模型m6A-FORM，利用MeRIP-seq峰作为先验，预训练后微调实现m6A位点预测，性能优于现有方法，并支持调控因子结合位点预测和组织保守位点分析。

Distribution-Agnostic Robust Trajectory Optimization via Chance-Constrained Reinforcement Learning

基于机会约束强化学习的分布无关鲁棒轨迹优化

Yashdeep Chaudhary, Roberto Armellin, Harry Holt, Marco Sagliano

机构 * Auckland University（奥克兰大学） 纠错

专题命中 规划控制 ：trajectory planning(abstract)

AI总结 提出一种分布无关的鲁棒轨迹优化框架，通过机会约束强化学习处理初始条件和过程噪声的不确定性，采用离线标称轨迹与在线仿射闭环校正，在两种不同轨迹设计问题上验证了概率可行性与燃料效率。

Comments Preprint. 39 pages, 16 figures

Scaling Self-Play for End-to-End Driving

扩展端到端驾驶的自我对弈

Luke Rowe, Roger Girgis, Rodrigue de Schaetzen, Daphne Cornelisse, Alaap Grandhi, Felix Heide, Eugene Vinitsky, Christopher Pal, Liam Paull

机构 * Mila（米拉研究所） ； Université de Montréal（蒙特利尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； Torc Robotics ； NYU Tandon School of Engineering（纽约大学坦登工程学院） ； McMaster University（麦克马斯特大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 提出大规模自我对弈训练策略，通过高效模拟器Gigapixel实现像素级自我对弈，结合DAgger蒸馏和感知适应，提升端到端驾驶模型性能。

Auto-JEPA: A Latent World Model of Continuous Intent for End-to-End Autonomous Driving

Auto-JEPA：面向端到端自动驾驶的连续意图隐式世界模型

Jiwei Yang, Zhengxian Chen, Chaosheng Huang, Jun Li

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

AI总结 Auto-JEPA是面向端到端自动驾驶的连续意图隐式世界模型，通过联合嵌入预测学习未来驾驶意图，无需密集未来世界建模，在NAVSIM数据集上取得优异规划性能，可聚焦规划相关视觉特征。

Ego-Dynamics-Augmented World Model for Autonomous Driving with Zero-Shot Cross-Chassis Adaptation

用于零样本跨底盘自适应自动驾驶的自我动力学增强世界模型

Zhidong Wang, Jingsong Liang, Zirui Li, Zhan Chen, Han Yu, Chen Lv

机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院） ； Collaborative Initiative, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学跨学科研究生项目合作计划） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

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

AI总结 研究针对自动驾驶中基于世界模型的强化学习问题，提出DynaDreamer方法，通过增强自我动力学先验改进世界模型，减少自我运动建模负担，实现零样本跨底盘自适应，实验证明该方法显著提升驾驶任务成功率。

Comments 13 pages, 13 figures

BrainWAM: Action-Space Coordination of Semantic Priors and Predictive Dynamics for Autonomous Driving

BrainWAM：面向自动驾驶的语义先验与预测动力学的动作空间协调框架

Bing Zhan, Shuyao Shang, Jiahao Gu, Shuo Lu, Yuan Xu, Zhao Wang, Yida Wang, Xueyang Zhang, Kun Zhan, Lue Fan, Zhaoxiang Zhang

机构 * Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； Li Auto Inc.（理想汽车） 纠错

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

AI总结 该研究针对自动驾驶中语义与预测动力学的规划需求，提出BrainWAM框架，通过结构化动作空间协调及异步整流流推理，在NAVSIM数据集上实现最优性能，优于仅VLA或仅WAM方法。

Off the Rails: Hijacking the Scoring Head in Generative End-to-End Driving Planners with Safety-Violating Adversarial Perturbations

脱轨：利用违反安全的对抗扰动劫持生成式端到端驾驶规划器的评分头

Halima Bouzidi, Mboutidem Ekemini Mkpong, Haoyu Liu, Mohammad Abdullah Al Faruque

机构 * University of California, Irvine（加利福尼亚大学尔湾分校） 纠错

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

AI总结 针对生成式端到端自动驾驶规划器中评分头的攻击面，提出Derail对抗框架，通过安全违规目标扰动使轨迹选择从安全候选翻转为不安全候选，评分下降39-80%，碰撞率高达50%。

Comments 23 pages, 4 figures, 9 tables

World Engine: Towards the Era of Post-Training for Autonomous Driving

World Engine：迈向自动驾驶后训练时代

Tianyu Li, Li Chen, Caojun Wang, Haochen Liu, Kashyap Chitta, Zhenjie Yang, Yuhang Lu, Naisheng Ye, Yihang Qiu, Yufei Wang, Luoxi Zou, Jiaxin Peng, Jin Pan, Zhaoyu Su, Andrei Bursuc, Shengbo Eben Li, Andreas Geiger, Peng Su, Hongyang Li

机构 * The University of Hong Kong（香港大学） ； Huawei（华为） ； Shanghai Innovation Institute（上海创新研究院） ； Archon Robotics（Archon机器人） ； KE:SAI ； NVIDIA Research（NVIDIA研究） ； NTU（南洋理工大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出World Engine生成式框架，通过从真实日志重建高保真交互环境并外推安全关键变体，利用强化后训练对齐策略与安全约束，显著减少罕见安全关键场景故障，提升自动驾驶安全性。

Comments Technical Report. Project Page: https://opendrivelab.com/WorldEngine/

4D-WAM: 4D Consistent World Modeling for Autonomous Driving

4D-WAM：面向自动驾驶的4D一致世界建模

Jiacheng Fu, Yibo Yuan, Meng Tian, Yue Li, Jiangtong Zhu, Jianhua Han, Yueyi Zhang, Jianwu Fang, Jianru Xue, Hang Xu, Zhiwei Xiong

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

AI总结 本文提出4D-WAM模型，通过几何基础模型的训练时监督与面向决策的时间步长采样策略，提升自动驾驶中世界-动作模型的4D场景一致性，在NAVSIM-v1、NAVSIM-v2基准上实现最优性能。

UnsDrive: Towards Robust End-to-End Autonomous Driving in Unstructured Scenes

UnsDrive：面向非结构化场景的鲁棒端到端自动驾驶

Nanxin Zeng, Ruiqi Song, Xiangyu Guo, Baiyong Ding, Yunfeng Ai

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Waytous Inc.（文远知行公司） 纠错

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

AI总结 针对非结构化采矿环境自动驾驶泛化差的问题，提出UnsDrive规划器，结合未知感知占用表示与流匹配规划器，引入专用损失和评分器，辅以MineLoop模拟器验证，性能优于基线。

Comments 9 pages, 4 figures, conference

Journal ref the 34th ACM International Conference on Multimedia, 2026

SUV: Future Scene Understanding as Video Generation for End-to-End Driving

SUV：将未来场景理解建模为视频生成的端到端驾驶

Yibo Yuan, Jiacheng Fu, Jiangtong Zhu, Yi Li, Jianhua Han, Meng Tian, Zhuohan Liu, Zhiwei Xiong, Hang Xu, Jianwu Fang, Jianru Xue

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

AI总结 SUV是将未来场景理解建模为视频生成的端到端驾驶框架，其在NAVSIM-v2和WOD-E2E基准上优于近期SOTA方法，实现了更优的轨迹规划性能。

Comments 16 pages, 5 figures. Code: https://github.com/ASH-2046/SUV

MOJITO: Modal Joint Learning for Unified End-to-End Autonomous Driving

MOJITO：用于统一端到端自动驾驶的模态联合学习

Zhijing Cheng, Xuancheng Zhang, Donglin Di, Lei Fan, Baorui Ma, Hao Li, Xun Yang

机构 * University of Science and Technology of China（中国科学技术大学） ； Li Auto（理想汽车） ； University of New South Wales（新南威尔士大学） 纠错

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

AI总结 研究针对端到端自动驾驶系统问题，提出基于模态联合学习的MOJITO框架，去除级联接口，执行逐块模态联合注意力更新多模态特征，在数据集上取得新的最优成绩，展现出强大能力。

CascadeOcc: Rethinking 3D Occupancy World Models with Cascaded VQ Representations

CascadeOcc: 用级联VQ表示重新思考3D占用世界模型

Kyumin Hwang, Wonhyeok Choi, Jaeyeul Kim, Jihun Park, Daehee Park, Sunghoon Im

机构 * Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院） 纠错

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

AI总结 提出CascadeOcc，一种通过级联向量量化机制在自回归框架中利用占用表示内在结构层次，实现从粗到细的3D场景预测和运动规划，在4D占用预测和运动规划基准上取得优越性能。

Comments Accepted to IEEE Signal Processing Letters (SPL), 2026

Lagrange: An Open-Vocabulary, Energy-Based Sparse Framework for Generalized End-to-End Driving

Lagrange: 一种面向通用端到端驾驶的开放词汇、基于能量的稀疏框架

Shihao Ji, HongXi Li, Zihui Song, Mingyu Li

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

AI总结 提出Lagrange框架，利用掩码潜在场和视觉语言模型实现开放词汇、稀疏计算，通过拉格朗日动作最小化确保运动学约束，在nuScenes和CODA基准上验证了鲁棒性和可解释性。

GraphWorld: Long-Horizon Planning with World Models for End-to-End Autonomous Driving

GraphWorld: 基于世界模型的长时域规划实现端到端自动驾驶

Ziying Song, Caiyan Jia, Lin Liu, Lei Yang, Shengkai Zhang, Feiyang Jia, Fengda Zhao, Peiliang Wu, Shaoqing Xu, Chen Lv, Yadan Luo

机构 * Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院，交通数据挖掘与具身智能北京市重点实验室） ； School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； University of Macau（澳门大学） ； The University of Queensland（昆士兰大学） 纠错

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

AI总结 提出GraphWorld框架，通过潜在世界建模增强长时域规划，利用自车中心交互图建模邻车关系，并基于世界状态条件规划实现安全轨迹生成，显著降低碰撞率。

Comments 16 pages, 5 figures

Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models

逆向行驶：在端到端自动驾驶模型中利用可解释性

Franz Motzkus, Sebastian Bernhard

机构 * AUMOVIO（奥莫维奥） ； Department of Applied Computer Science, University of Bamberg（班贝格大学应用计算机科学系） 纠错

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

AI总结 研究端到端自动驾驶模型因复杂不透明易产生不良行为的问题，核心方法是集成无监督字典学习作为可解释性模块，主要贡献为揭示决策逻辑、纠正驾驶决策以提升模型性能。

Herding End-to-End Autonomous Driving via Neuro-Symbolic Safety Guards

通过神经符号安全护卫实现端到端自动驾驶的引导

Simón Patiño Idarraga, Erick Silva, Rehana Yasmin, Ali Shoker

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

AI总结 该研究针对端到端驾驶智能体违反交通规则的问题，提出无需重训的神经符号安全护卫，在Fail2Drive和Bench2Drive基准上使成功率提15%、安全碰撞降53%且保留原驾驶分数。

HyWorldVLA: A Vision-Language-Action Model with Hybrid World Modeling for Autonomous Driving

HyWorldVLA：一种用于自动驾驶的具有混合世界建模的视觉-语言-动作模型

Quanfu Yu, Xian Wu, Hao Xu, Liulong Ma

机构 * Automotive New Technology Research Institute, BYD Company Limited（比亚迪汽车新技术研究院） 纠错

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

AI总结 研究针对自动驾驶中视觉-语言-动作模型的不足，提出HyWorldVLA框架，统一像素级监督与潜在表征学习。预训练阶段预测视频潜在并重建帧，微调阶段预测潜在特征生成轨迹，实验表明其性能优于基线，还建立了世界模型噪声鲁棒性评估新基准。

Comments 20 pages with 13 figures

WCog-VLA: A Dual-Level World-Cognitive Vision-Language-Action Model for End-to-End Autonomous Driving

WCog-VLA：用于端到端自动驾驶的双级世界认知视觉-语言-行动模型

Xuerun Yan, Zhexi Lian, Nuoheng Zhang, Shiyu Fang, Haoran Wang, Chen Lv, Jia Hu, Binyang Song

机构 * Tongji University（同济大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 针对现有视觉-语言-行动模型在自动驾驶中存在的局限，提出双级世界认知的WCog-VLA框架，语义层统一认知推理，生成层引入新模型加速推理，构建数据集，实验证明该模型在NAVSIM基准测试中达到最优分数。

Comments 20 pages, 7 figures

CritiqueDriveVLM: From Verifier-Guided Reinforcement Learning to Latent Thought Distillation for Autonomous Driving

CritiqueDriveVLM：从验证器引导的强化学习到自动驾驶的潜在思想蒸馏

Zhaohong Liu, Hao Ye, Xianlin Zhang, Mengshi Qi

机构 * State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室） ； School of Digital Media & Design Arts（数字媒体与设计艺术学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 提出CritiqueDriveVLM框架解决自动驾驶中推理幻觉等问题，先通过验证器引导的强化学习培养强大教师模型，再用潜在思想蒸馏压缩能力到学生模型，提升性能并大幅降低推理延迟。

Comments Accepted by ECCV 2026

CLEAR: Closed-Loop Reinforcement Learning at Scale for End-to-End Autonomous Driving

CLEAR：用于端到端自动驾驶的大规模闭环强化学习

Yunxiao Shi, Hong Cai, Mohammad Ghavamzadeh, Fatih Porikli

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

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

AI总结 研究端到端自动驾驶，针对现有基于视觉语言动作模型的策略多采用模仿学习致闭环规划性能欠佳的问题，提出CLEAR系统，用强化学习进行闭环训练，设计异构管道增加并行模拟环境数量，性能优于先前方法。

PriorEye: Geospatial Visual Priors for End-to-End Autonomous Driving

PriorEye: 用于端到端自动驾驶的地理空间视觉先验

Kyuhwan Yeon, Benjamin Ramtoula, Daniele De Martini

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

AI总结 提出地理空间视觉先验和双记忆架构，增强端到端自动驾驶的预见性和鲁棒性，在NAVSIM-v2上持续提升性能。

Comments Accepted to ECCV 2026

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

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

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

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。