自动驾驶

UST: Unifying Spatio-Temporal Context for Trajectory Prediction in Autonomous Driving

Hao He, Hengchen Dai, Naiyan Wang

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

Combining Planning and Deep Reinforcement Learning in Tactical Decision Making for Autonomous Driving

Carl-Johan Hoel, Katherine Driggs-Campbell, Krister Wolff, Leo Laine, Mykel J. Kochenderfer

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Journal ref IEEE Transactions on Intelligent Vehicles, 2019

Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving

Nemanja Djuric, Vladan Radosavljevic, Henggang Cui, Thi Nguyen, Fang-Chieh Chou, Tsung-Han Lin, Nitin Singh, Jeff Schneider

专题命中 规划控制 ：autonomous driving(title)；self-driving(abstract)；分类 cs.RO、cs.CV

Comments Accepted for publication at IEEE Winter Conference on Applications of Computer Vision (WACV) 2020

Perception as prediction using general value functions in autonomous driving applications

Daniel Graves, Kasra Rezaee, Sean Scheideman

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Comments 8 pages, 6 figures, IROS 2019 conference

Self-Driving Car Steering Angle Prediction Based on Image Recognition

Shuyang Du, Haoli Guo, Andrew Simpson

专题命中 规划控制 ：self-driving(title,abstract)；分类 cs.RO、cs.CV

Comments 9 pages 13 figures. Paper originally from CS231n (Stanford) 2017

Real-time Multi-target Path Prediction and Planning for Autonomous Driving aided by FCN

Hongtu Zhou, Xinneng Yang, Enwei Zhang, Junqiao Zhao, Lewen Cai, Chen Ye, Yan Wu

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Human Visual Attention Prediction Boosts Learning & Performance of Autonomous Driving Agents

Alexander Makrigiorgos, Ali Shafti, Alex Harston, Julien Gerard, A. Aldo Faisal

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

Comments 7 pages, 6 figures, 2 tables. Submitted to IEEE RA-L with ICRA 2020

Design Space of Behaviour Planning for Autonomous Driving

Marko Ilievski, Sean Sedwards, Ashish Gaurav, Aravind Balakrishnan, Atrisha Sarkar, Jaeyoung Lee, Frédéric Bouchard, Ryan De Iaco, Krzysztof Czarnecki

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Comments 8 pages, 6 figures

Deep Reinforcement Learning for Autonomous Driving

Sen Wang, Daoyuan Jia, Xinshuo Weng

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

Comments no time for further improvement

2D LiDAR Map Prediction via Estimating Motion Flow with GRU

Yafei Song, Yonghong Tian, Gang Wang, Mingyang Li

专题命中 规划控制 ：LiDAR(title,abstract)；分类 cs.RO、cs.CV

Reinforcement Learning and Deep Learning based Lateral Control for Autonomous Driving

Dong Li, Dongbin Zhao, Qichao Zhang, Yaran Chen

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV、cs.AI

Comments 14 pages, 12 figures, accepted to IEEE Computational Intelligence Magazine

Driving Experience Transfer Method for End-to-End Control of Self-Driving Cars

Dooseop Choi, Taeg-Hyun An, Kyounghwan Ahn, Jeongdan Choi

专题命中 规划控制 ：self-driving(title,abstract)；分类 cs.RO、cs.CV

HOPE: Hierarchical Spatial-temporal Network for Occupancy Flow Prediction

Yihan Hu, Wenxin Shao, Bo Jiang, Jiajie Chen, Siqi Chai, Zhening Yang, Jingyu Qian, Helong Zhou, Qiang Liu

专题命中 规划控制 ：occupancy(title,abstract)；分类 cs.CV

Comments 1st Ranking Solution for the Occupancy and Flow Prediction of the Waymo Open Dataset Challenges 2022 (http://cvpr2022.wad.vision/)

Offline Reinforcement Learning for Autonomous Driving with Safety and Exploration Enhancement

Tianyu Shi, Dong Chen, Kaian Chen, Zhaojian Li

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO

Comments Machine Learning for Autonomous Driving Workshop on NeurIPS 2021

Trajformer: Trajectory Prediction with Local Self-Attentive Contexts for Autonomous Driving

Manoj Bhat, Jonathan Francis, Jean Oh

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV

Comments Accepted: Machine Learning for Autonomous Driving @ NeurIPS 2020

A Systematic Sample Size Analysis of ML-Based Path Loss Prediction for LPWAN

面向低功耗广域网（LPWAN）的基于机器学习的路径损耗预测的系统样本量分析

Robert Bitterling, Christian Nettersheim, Jörn Hees, Michael Rademacher

专题命中 规划控制 ：LiDAR(summary_cn,abstract)

AI总结 该研究针对LPWAN的路径损耗预测，采用结合LiDAR地形特征的随机森林与坐标数据的k近邻，发现两种机器学习模型在不同训练规模下均优于基线模型，且留一网关验证显示随机森林迁移性能更优。

Comments Accepted at IEEE Conference on Local Computer Networks (LCN)

Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing

自主赛车最短时间轨迹规划中的控制感知约束自适应

Ann-Kathrin Schwehn, Alexander Langmann, Mattia Piccinini, Johannes Betz

机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。

Comments Accepted at IEEE ITSC 2026

Long-term Traffic Scene Prediction via Polynomial Representations in Autonomous Driving

自动驾驶中基于多项式表示的长期交通场景预测

Yue Yao

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.AI

AI总结 本研究提出基于多项式表示的自动驾驶交通场景预测模型，结合理论分析与实证验证，在标准基准上接近最优准确率，提升分布偏移下的泛化能力，生成更合理的多智能体场景，降低计算成本。

Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs

用于自动驾驶视觉语言模型可验证推理的未来轨迹延迟暴露

Zixuan Huang, Yang Zhou, Kaixuan Wang, Guli Zhang, Hongyan Xie, Yakun Zhu, Hao Geng, Xiaozhi Chen, Yikun Ban, Deqing Wang

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.AI

AI总结 该研究针对自动驾驶VLA模型的轨迹锚定偏差问题，提出AD-MCQ规划框架与DEFT-RLVR方法，将未来轨迹转化为决策后验证目标，提升了自动驾驶推理能力并保留了通用视觉能力。

A Forward-Inverse Dynamic Game Framework for Enhanced Multi-Agent Trajectory Planning

用于增强多智能体轨迹规划的前向-逆向动态博弈框架

Tianle Liu, Youcheng Niu, Jing Zeng, Shuo Li, Jinming Xu

机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 针对多智能体轨迹规划的动态博弈方法局限，本文提出带状态依赖权重的KL正则化动态博弈及上下文感知逆向博弈模块，经模拟与多机器人实验验证了其有效性。

STAGE: STyle-controllable Action GEneration for personalized autonomous driving

STAGE：面向个性化自动驾驶的风格可控动作生成

Zihao Liu, Xing Liu, Yizhai Zhang, Panfeng Huang

机构 * Northwestern Polytechnical University（西北工业大学） ； School of Astronautics（航天学院） ； Research Center for Intelligent Robotics（智能机器人研究中心） ； National Key Laboratory of Aerospace Flight Dynamics（航空航天飞行动力学重点实验室） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 本文针对自动驾驶系统难以匹配用户个性化驾驶风格的问题，提出STAGE风格可控动作生成方法，通过模仿学习与偏好学习实现风格控制，实验验证其风格对齐与安全性能。

Comments Accepted for publication in IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 2, pp. 2130-2137, Feb. 2026

Untangling Co-Drift: Proactive Multi-Intent Failure Prediction and Root-Cause Disambiguation for Self-Driving Networks

解开共同漂移：自动驾驶网络的主动多意图故障预测与根本原因消歧

Md. Kamrul Hossain, Walid Aljoby

专题命中 规划控制 ：self-driving(title,abstract)；分类 cs.RO

AI总结 研究自动驾驶网络中因意图因果耦合导致故障难辨的问题，提出MILD框架，通过教师增强的专家混合架构及混合目标优化意图故障预测与根本原因归因，经多环境评估，该框架能实现高故障检测率等，推动下一代自主网络闭环保证。

Comments Under review in IEEE Transactions on Network and Service Management

ForgeDrive: Bidirectional Cross-Conditioning for Unified Visual-Action Generation in Autonomous Driving

ForgeDrive: 自动驾驶中统一视觉-动作生成的双向交叉条件

Xuchang Zhong, He Zheng, Chenxu Zhao, Tianxiong Lv, Hangqi Fan, Bohua Wang, Yushan Liu, Li Gao, Zhihao Liao, Leigang Luo, Congyang Zhao, Yang Cai

机构 * Amap, Alibaba Group（阿里巴巴集团高德地图） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV

AI总结 提出ForgeDrive统一自回归扩散框架，通过“先动作后想象”范式实现视觉与动作的双向交叉条件，解决级联误差问题，在NAVSIM上优于现有规划器。

Remote ID Spoofing-Aware Trajectory Planning for Small Unmanned Aerial Systems

小型无人机系统的远程ID欺骗感知轨迹规划

Jeremiah Webb, Bryce Bjorkman, Abel Diaz Gonzalez, Austin Coursey, Noah Dahle, Kailani Lemieux Mack, Filippos Fotiadis, Gautam Biswas, Bryan C. Ward, Abenezer Taye

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 针对小型无人机在RID位置欺骗攻击下的轨迹规划问题，提出分散式欺骗感知框架，利用物理层观测评估广播可信度，检测定位欺骗代理，集成到规划器中，仿真显示可减少近空中碰撞事件且保持计算效率。

Comments 9 pages, 3 figures, to be published in IEEE DASC 2026 Conference proceedings

STITCHER: Constrained Trajectory Planning in Complex Environments with Real-Time Motion Primitive Search

STITCHER：通过实时运动原语搜索在复杂环境中进行约束轨迹规划

Helene J. Levy, Brett T. Lopez

机构 * VECTR Laboratory, University of California, Los Angeles（VECTR实验室，加州大学洛杉矶分校） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 研究针对自主高速穿越复杂环境的轨迹规划问题，提出无优化规划框架STITCHER，通过拼接短轨迹段和图搜索实时计算轨迹，经模拟与硬件测试验证其性能优越，能满足多种约束并高速实时规划。

Trajectory Planning and Certification for 3-DOF Robot Manipulators Using Real Quantifier Elimination Based on Comprehensive Gröbner Systems

基于综合格罗贝格系统的实量词消去法用于3自由度机器人操作器的轨迹规划与验证

Yu Nakai, Akira Terui, Masahiko Mikawa

机构 * University of Tsukuba, Tsukuba, Japan（茨口大学） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 该研究针对3自由度机器人操作器，提出基于综合格罗贝格系统的实量词消去法（CGS-QE），用于轨迹规划与验证。通过计算参数系统的CGS避免逐点重算格罗贝格基，提高效率，还能验证多种轨迹的逆运动学解，算法在Risa/Asir中实现。

Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles

基于CBF引导扩散模型的无人机安全轨迹规划

Peiwen Yang, Shiyu Bai, Weisong Wen, Yixin Gao, Jiahao Hu

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 本文提出AeroTrajGen框架，通过CBF引导采样提升扩散模型在无人机轨迹生成中的安全性与敏捷性，减少碰撞率94.7%。

Comments Some equations need to be checked

Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators

机器人操作器中经典和控制感知最优轨迹规划的动态评估

Bhanuka Dayawansa, Rohan Munasinghe

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 研究机器人操作器轨迹规划，提出控制感知最优轨迹规划框架，纳入动力学和执行器努力，用中点线性化策略，通过统一评估框架对比经典方法，能降低跟踪误差等，证明仅运动学平滑不能确保高效执行。

Comments Accepted at MERCon 2026. To be presented at MERCon 2026. 7 pages, 7 figures

UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation

UNIVERSE：面向自动驾驶的基于灵活掩码调制模态生成的统一视频动作模型

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Francesco Nex, Hao Cheng, Michael Ying Yang

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV

AI总结 针对现有方案难以将视频建模收益迁移至轨迹生成的问题，提出单掩码调制扩散Transformer的统一模型，通过模态解耦掩码实现直接的视频监督，大幅提升跨域动作泛化与推理效率。

Comments 18 pages, 7 figures, 8 tables

A Survey of Reinforcement Learning-Based Motion Planning for Autonomous Driving: Lessons Learned from a Driving Task Perspective

基于强化学习的自动驾驶运动规划综述：从驾驶任务角度吸取的经验教训

Zhuoren Li, Guizhe Jin, Ran Yu, Weiqi Zhang, Zhiwen Chen, Nan Li, Lu Xiong, Ilya Kolmanovsky, Dimitar Filev, Bo Leng, Jia Hu

机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Hagler Institute for Advanced Study, Texas A&M University（德克萨斯大学A&M分校哈格勒先进研究学院） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 综述基于强化学习的自动驾驶运动规划，先概述强化学习方法基础，再调研其在运动规划中的应用，分析特定场景特征与任务要求，总结关键设计经验并为未来实施提供指导，还探讨前沿挑战及应对策略。

Comments 20 pages, 3 figures