自动驾驶

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

In the Driver's Seat: A Multi-Company Study on the Reality of Autonomous Driving System Testing

掌控全局：关于自动驾驶系统测试现状的多公司研究

Qunying Song, Yuan Gao, Johannes Betz, Dietmar Pfahl, Mohammad Reza Mousavi, Federica Sarro

专题命中 端到端驾驶 ：autonomous driving(title,abstract)

AI总结 针对自动驾驶系统测试复杂且缺乏标准的问题，通过对九家公司专家访谈，经主题分析总结行业测试情况、挑战与趋势，提出以证据为中心的闭环测试框架，为ADS测试提供指导并指明未来方向。

Comments 34 pages, 6 figures, 3 tables

Isolation-aware Scheduling Framework for DNN-based End-to-End Autonomous Driving System on Tile-based Accelerators

基于瓦片加速器的端到端自动驾驶系统中DNN的隔离感知调度框架

Chenguang Zhang, Yuanpeng Zhang, Chenhao Xue, Yihan Yin, Chen Zhang, Guangyu Sun

专题命中 端到端驾驶 ：autonomous driving(title,abstract)

AI总结 提出ADS-Tile框架，通过可配置隔离与弹性预留结合，在瓦片加速器上优化DNN共置调度，降低重分配开销，满足严格延迟约束。

Comments Accepted by IEEE Transactions on Computers

Can the Cloud Drive? Infrastructure Feasibility of Offloading Autonomous Driving Across 5G and 6G

云能驱动自动驾驶吗？跨5G和6G卸载自动驾驶的基础设施可行性

Pouya Parsa, Kawon Han, Seongjin Choi

专题命中 端到端驾驶 ：autonomous driving(title)

AI总结 探讨云能否驱动自动驾驶，通过耦合通信限制、GPU服务模型等构建分析框架，应用于纽约市，研究发现通信、计算、成本依次起约束作用，延迟决定模型可行性，成本决定是否经济。

Comments 25 pages, 10 figures

Bayesian Optimization for Learning Nonlinear MPC in Autonomous Agent Navigation

自主智能体导航中学习非线性模型预测控制的贝叶斯优化

Lorenzo Ortolani, Gabriel Voss, Gabriele Beltrami, Francesco Dorati, Tommaso Felice Banfi

机构 * Talos Robotics AI 纠错

专题命中 端到端驾驶 ：LiDAR(abstract)；occupancy(abstract)；分类 cs.RO

AI总结 提出一种无地图框架，结合滚动时域规划与非线性MPC，利用贝叶斯优化自动调参，在仿真和实物四足机器人上实现高效导航。

Comments Published at the IEEE ICRA 2026 Xplore Workshop (Oral), Cross-Disciplinary aspects of Exploration in Robotics, Reinforcement Learning, and Search

Improving Autonomous Nano-drones Performance via Automated End-to-End Optimization and Deployment of DNNs

通过深度神经网络的自动化端到端优化和部署提高自主纳米无人机性能

Vlad Niculescu, Lorenzo Lamberti, Francesco Conti, Luca Benini, Daniele Palossi

专题命中 端到端驾驶 ：autonomous driving(abstract)；分类 cs.RO、eess.IV

AI总结 研究如何通过自动化端到端优化和部署DNN提高自主纳米无人机性能，聚焦PULP-Dronet在Crazyflie 2.1纳米无人机上的部署，实现内存占用减少、推理时间加速，提升了无人机在避障、自由飞行和车道跟随等方面的性能，还开源了相关软件设计。

Comments 16 pages, 8 figures, 5 tables. This paper has been accepted for publication in the IEEE Journal on Emerging and Selected Topics in Circuits and Systems (JETCAS) copyright 2021 IEEE

RT-VLA: Real-Time Vision-Language-Action Models via Knowledge Distillation

RT-VLA：通过知识蒸馏实现实时视觉-语言-动作模型

Xiangyu Huang, Zhenlin Hua, Han Zhou, Shounak Sural, Ragunathan Rajkumar

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 提出RT-VLA，通过多级监督蒸馏将SimLingo模型的能力压缩至轻量学生模型，在保持竞争性能的同时将推理时间降低44.8倍（纯视觉模式）和7.9倍（视觉+语言模式），实现实时可解释的VLA自动驾驶。

The Past and Future of AI Scientists

AI科学家的过去与未来

Ross D. King

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

AI总结 本文综述AI科学家的过去与未来，指出其核心挑战是多技术集成，现有技术已支持构建更通用系统，其有望变革科学，诺贝尔图灵挑战目标进展超前。

Mitigating Compounding Error via Video Representation Regularization

通过视频表示正则化缓解复合误差

Taiye Chen, Qi Zhang, Yisen Wang

机构 * Peking University（北京大学） 纠错

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

AI总结 针对视频扩散世界模型自回归生成的复合误差问题，研究发现其与表示维度崩溃相关，提出视频表示正则化方法，在VBench指标上显著优于Diffusion Forcing，提升了长视频生成的鲁棒性。

What Can Be Enforced? A Theory of Certified Runtime Safety for Tool-Using Agents

什么可以被强制执行？关于使用工具的智能体的认证运行时安全理论

Shawn Ray

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

AI总结 研究使用工具的智能体认证运行时安全，区分三个问题：确定性门与安全策略、外部法则下的边界及证书、闭环边界识别；介绍了相关方法，通过多种实验针对差异进行研究。

Comments 26 pages, 8 figures. Extended version with complete proofs and additional experiments

Defer to Plan: Adaptive Multi-Agent Fusion for End-to-End V2X Driving

听从计划：用于端到端车路协同驾驶的自适应多智能体融合

Nuoran Li, Zhang Zhang, Yueran Zhao, Tianze Wang, Chao Sun

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

AI总结 研究车路协同辅助自动驾驶中现有方法不足，提出端到端协同驾驶系统，用MotionNetwork融合信息、注意力机制压缩特征、自回归解码器融合多智能体特征及引入MoE架构，提升驾驶分数并保持通信效率。

Comments Accepted at IEEE ICME 2026

End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation

用于逼真且可控的视觉交通场景生成的端到端条件扩散

Jingzheng Li, Yufei Ge, Zhijun Chen, Qianren Mao, Zizhe Wang, Binhang Qi, Bing Li, Keyu Chen, Baochang Zhang, Xianglong Liu, Philip S Yu

机构 * Zhongguancun Laboratory（中关村实验室） ； Tianjin University（天津大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； State Key Laboratory of Software Development Environment（软件开发环境国家重点实验室） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 研究如何生成逼真且可控的视觉交通场景，提出端到端条件扩散框架E2E-CDiff，基于前视图视觉观察联合去噪未来运动状态等，减轻规划控制不匹配，实验表明其在可控性与逼真性权衡上表现良好，还能引发挑战性交互，作为自我规划器有竞争力。

An Exposure-Time-Aligned Primary-Path Architecture for Autonomous-Driving ECUs

一种曝光时间对齐的主路径架构用于自动驾驶ECU

Toru Saito, Yuki Hagura, Tatsuya Konishi, Satoru Mizusawa, Takumi Yajima

机构 * National Institute of Advanced Industrial Science and Technology, Japan（日本国家先进工业科学与技术研究院） 纠错

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

AI总结 针对生产车辆从模块化多NN流水线向端到端自动驾驶过渡的需求，提出主路径、曝光时间对齐和共路径共存三项设计原则，在双SoC平台上实现平均296ms的延迟。

Business World Model

商业世界模型

Cecil Pang, Hiroki Sayama

机构 * AI Engineering, USA TODAY Co., Inc.（AI工程，USA TODAY公司） ； School of Systems Science and Industrial Engineering, Binghamton University, State University of New York（系统科学与工业工程学院，宾夕法尼亚州立大学宾夕法尼亚州立大学） ； Binghamton Center of Complex Systems, Binghamton University, State University of New York（宾夕法尼亚州立大学复杂系统中心） ； Waseda Innovation Lab, Waseda University, Tokyo, Japan（早稻田大学创新实验室） 纠错

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

AI总结 提出商业世界模型（BWM）架构，将世界模型思想应用于商业环境，通过编码状态、动态、约束和目标，支持自主决策与规划。

NIMO: A Software Platform for Closed-Loop Materials Exploration with Diverse AI Algorithms

NIMO：一个集成多种AI算法的闭环材料探索软件平台

Ryo Tamura, Naruki Yoshikawa, Koji Tsuda, Shoichi Matsuda

机构 * Center for Basic Research on Materials, National Institute for Materials Science（材料基础研究所，日本国家材料科学研究所） ； Graduate School of Frontier Sciences, The University of Tokyo（东京大学前沿科学研究生院） ； Center for Green Research on Energy and Environmental Materials, National Institute for Material Science（能源与环境材料绿色研究中心，日本国家材料科学研究所） 纠错

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

AI总结 提出开源平台NIMO，通过模块化AI-机器人解耦、候选池架构和统一接口，集成12种AI算法，实现跨实验室的自主材料探索。

Comments 29 pages, 5 figures

A Unified Multi-Modal Sensing and Active-Stabilization Framework for Autonomous IoT Nodes in Connectivity-Denied Environments: From Perimeter Sentinel to High-Value Cargo Protection

用于连接受限环境中自主物联网节点的统一多模态传感与主动稳定框架：从周边哨兵到高价值货物保护

Naahi Mumtaj Rihan

专题命中 端到端驾驶 ：LiDAR(abstract)

AI总结 探讨连接受限环境下自主物联网节点需求，提出广义节点架构，扩展其传感与通信模态，通过复合风险指数耦合遥测与地理信息系统，统一两种部署模式并给出分析与实例。

Above the Inner Loop: Exceeding Accelerate at LLM Prefill GEMM on the M1 AMX

在内循环之上：在M1 AMX上超越Accelerate的LLM预填充GEMM

Deyvik Bhan

专题命中 端到端驾驶 ：occupancy(abstract)

AI总结 通过微基准测试发现M1 AMX的内循环受限于加载-发射，手写内核通过细粒度多线程面板和预打包权重两个部署级杠杆超越Accelerate，在12种LLM预填充GEMM形状上实现1.17倍到2.0倍的加速，且位精确。

Comments 11 pages, 2 figures, 6 tables. Code: https://github.com/dbhan08/inferc

Camera and LiDAR BEV Fusion for Cooperative 3D Object Detection on TUMTraf V2X

用于TUMTraf V2X协同3D目标检测的相机与LiDAR BEV融合

Muhammad Shahbaz, Shaurya Agarwal

机构 * Department of Civil, Environmental and Construction Engineering, University of Central Florida（中佛罗里达大学土木、环境与建筑工程系） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；LiDAR(title,title_cn)；分类 cs.CV

AI总结 提出一种融合路边相机与基础设施-车辆点云的BEV空间检测器，采用CenterPoint风格头部和IoU重排序，在DriveX 2026挑战赛公开测试集上达到0.85 mAP，并分析了训练/验证与测试集重叠对分数的影响。

MoRAL: Sensor-Grounded BEV Reasoning for Compact VLMs toward Edge-Oriented Autonomous Driving

MoRAL：面向边缘自动驾驶的紧凑型视觉语言模型的传感器接地鸟瞰图推理

Ambarish Govindarajulu Kaliamurthi, Kaikai Liu

专题命中 BEV与占用 ：BEV(title,summary_cn)；autonomous driving(title,abstract)；LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 MoRAL是一种两阶段微调流水线，指导Cosmos-Reason2-2B基于物理编码的BEV表示进行驾驶决策，在参数仅为零样本基准四分之一的情况下，在8类驾驶问题中7类胜出，紧急制动召回率提升至47.8%，可在消费级8GB GPU高效运行。

Comments 7 pages, 5 figures, 6 tables. Accepted to the 14th IEEE International Conference on Intelligent Mobile Computing (IEEE IMC 2026), Fukuoka, Japan, July 27-30, 2026

FlashBEV: Fast and Memory-Efficient Exact BEV Transformation with IO-Awareness

FlashBEV：具有I/O感知的快速且内存高效的精确BEV变换

Shunsuke Yokokawa, Hironori Kasahara

机构 * Waseda University（早稻田大学） ； T2, Inc.（T2公司） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 研究自动驾驶中BEV感知的视图变换问题，提出FlashBEV执行策略，通过重新设计执行方式，使其在数学上等同于Tensorized Sampling-VT，减少内存流量和开销，降低峰值GPU内存，加速推理延迟，突破可扩展性障碍。

Comments Accepted to ECCV 2026

Semantic Occupancy Prediction with Dual Range-Voxel Representation

基于双范围-体素表示的语义占用预测

Sitao Chen, Zhuangwei Zhuang, Hui Luo, Lizhao Liu, Qingyao Wu, Mingkui Tan

机构 * School of Software Engineering, South China University of Technology（华南理工大学软件学院） ； State Key Laboratory of Optical Field Manipulation Science and Technology, Institute of Optics and Electronics, CAS（中国科学院光电技术研究所光学场操控科学与技术国家重点实验室） 纠错

专题命中 BEV与占用 ：occupancy(title,summary_cn)；LiDAR(abstract,abstract_cn)；autonomous driving(abstract)；分类 cs.CV

AI总结 提出双范围-体素表示（DRVR），利用单扫描点云的范围视图和体素视图几何信息进行3D语义占用预测，避免多扫描带来的计算和鲁棒性问题，在nuScenes-Occupancy上mIoU提升5.4%，速度提升2.1倍。

GraphBEV++: Multi-Modal Feature Alignment for Autonomous Driving

GraphBEV++: 自动驾驶中的多模态特征对齐

Ziying Song, Caiyan Jia, Lin Liu, Shaoqing Xu, Lei Yang, 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）） ； University of Macau（澳门大学） ； Nanyang Technological University（南洋理工大学） ； The University of Queensland（昆士兰大学） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(title,abstract)；LiDAR(abstract)；occupancy(abstract)

AI总结 针对自动驾驶中BEV感知的特征未对齐问题，提出GraphBEV++框架，通过局部对齐（LocalAlign-v2）和全局对齐（GlobalAlign-v2）模块，利用图匹配、可变形偏移和扩散去噪方法，在多种基准上实现最优性能。

Comments 30 pages, 7 figures

BEV-Denoise: Learning Intrinsic Noise for Accurate Bird's-Eye-View Semantic Segmentation

BEV-Denoise：学习内在噪声以实现精确的鸟瞰图语义分割

Dooseop Choi, Kyounghwan An, Kyoung-Wook Min

机构 * Electronics and Telecommunications Research Institute (ETRI)（韩国电子通信研究院） ； University of Science and Technology (UST)（科学技术联合大学院大学） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；分类 cs.CV、cs.AI

AI总结 提出BEV-Denoise框架，利用UNet噪声估计模块从鸟瞰图特征中去除内在噪声，通过任务分解学习范式训练，提升多种视图变换模型的语义分割精度。

NCGR: Noise-Conditional Gated Rectification for Camera Extrinsic Perturbations in BEV 3D Object Detection

NCGR：面向BEV 3D目标检测中相机外参扰动的噪声条件门控校正

Wenbin Pan, Wanhao Liu, Liwei Luo, Panshuo Li, Yong Xu, Renquan Lu

专题命中 BEV与占用 ：BEV(title,title_cn)；分类 cs.CV

AI总结 针对BEV 3D检测中相机外参扰动导致的性能下降，本文提出NCGR方法，通过预测2D校正偏移补偿投影误差，在nuScenes数据集上的五相机动态压力测试中表现优于BEVFormer和CAPE。

Comments 21 pages, including supplementary material

EditSSC: Toward Editable Semantic Occupancy Scenes with Unconditional Diffusion Models

EditSSC: 基于无条件扩散模型的可编辑语义占用场景

Fatima Balde, Raoul de Charette, Alexandre Boulch

机构 * Inria（法国国家信息与自动化研究所） ； Valeo.ai（法雷奥人工智能实验室） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV

AI总结 提出EditSSC方法，利用2D BEV表示和现成潜扩散网络实现3D语义场景生成与免训练编辑，在SemanticKITTI上优于现有3D专用基线。

Comments Accepted at CVPR 2026 Workshop

FPSGen: Flexible Point Cloud Scene Generation with BEV-Supported Transport Flows

FPSGen：基于鸟瞰图支持的传输流的灵活点云场景生成

Wenzhe He, Meng Wang, JiaWei Qian, Jinfeng Xu, Ying Liu, Ruihui Li

专题命中 BEV与占用 ：BEV(title,summary_cn)；LiDAR(abstract)；分类 cs.CV、cs.AI

AI总结 FPSGen是一种不依赖部分扫描结果的灵活点云场景生成框架，通过BEV先验构建点源与路径拉直传输方案，在SemanticKITTI补全和KITTI-360无条件生成任务上达到先进性能。

Comments 34 pages, 16 figures

Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving

意图、反思、优化：一种用于自动驾驶的自适应多模态反思框架

Zisheng Chen, Yuping Qiu, Jianhua Han, Tao Tang, Xiuwei Chen, Likui Zhang, Ying-Cong Chen, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； HKUST(GZ)（香港科技大学（广州）） ； Yinwang Intelligent Technology Co. Ltd.（引望智能科技有限公司） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(title,abstract)；分类 cs.CV、cs.AI

AI总结 提出IRR-Drive框架，通过生成初步文本意图并预测未来语义BEV表示，构建双模态反思空间，实现自适应轨迹修正，在NAVSIM基准上达到最优性能。

Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving

增强自动驾驶中全天候自监督深度估计的鲁棒性

Mengshi Qi, Xiaoyang Bi, Xianlin Zhang, Huadong Ma

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(title,abstract)；分类 cs.CV

AI总结 研究自动驾驶中全天候自监督深度估计问题，提出用多教师蒸馏和鲁棒雷达融合的自训练管道，包括不确定性感知多教师蒸馏及POV-BEV雷达融合方法，经实验验证该方法具鲁棒性且性能达最优。

TGRIP: A Text-Guided Approach to Vehicle Instance Prediction in Autonomous Driving

TGRIP：一种用于自动驾驶中车辆实例预测的文本引导方法

Miguel Antunes-García, Santiago Montiel-Marín, Fabio Sánchez-García, Rodrigo Gutiérrez-Moreno, Rafael Barea, Luis M. Bergasa

机构 * Electronics Department, University of Alcalá (UAH)（阿尔卡拉大学（UAH）电子系） 纠错

专题命中 BEV与占用 ：autonomous driving(title,abstract)；BEV(abstract,abstract_cn)；occupancy(abstract)；driving perception(abstract)

AI总结 研究自动驾驶中鸟瞰图实例预测问题，提出TGRIP框架，利用视觉语言基础模型生成语义增强地图作辅助监督，使网络学习时空表征，提升预测能力。

Comments 11 pages, 5 figures

AerialFusionMapNet: Online HD Map Construction with Aerial-Onboard BEV Fusion

AerialFusionMapNet: 基于航拍-车载BEV融合的在线高清地图构建

Daniel Lengerer, Mathias Pechinger, Klaus Bogenberger, Carsten Markgraf

机构 * Technical University of Applied Sciences Augsburg（奥格斯堡应用技术大学） ； Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；driving perception(abstract)；分类 cs.CV

AI总结 提出AerialFusionMapNet，通过结构化两阶段训练策略有效融合航拍与车载传感器特征，在nuScenes数据集上mAP达54.7，相比基线提升12.1%。

Comments Accepted at the IEEE International Conference on Intelligent Transportation Systems (ITSC) 2026