自动驾驶

Do Vision-Language-Action Models Mean What They Say? On the Role of Faithfulness in Embodied Reasoning

视觉语言动作模型所言即所指？论忠实性在具身推理中的作用

Matthew Foutter, Matteo Cercola, Lena Wild, Yunshan Wang, Michelle Li, Daniele Gammelli, Marco Pavone

机构 * Stanford University（斯坦福大学） ； Politecnico di Milano（米兰理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所） ； NVIDIA Research（英伟达研究院） 纠错

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

AI总结 研究视觉语言动作模型中具身思维链是否真实反映决策过程。区分功能推理与忠实推理，指出当前对齐策略不足，通过人类评估揭示差距，用学习的评论家操作具身忠实性的行为替代物，强化学习后训练策略提升了忠实性。

AnchorVLA: Bridging Discrete Decisions and Continuous Trajectories for Vision-Language-Action Planning

AnchorVLA：为视觉-语言-动作规划连接离散决策与连续轨迹

Qi Liu, Yabei Li, Hongsong Wang, Heng Zhang, Lei He

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与交通国家重点实验室） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Meituan Inc.（美团公司） ； Dongfeng Motor Corporation（东风汽车公司） 纠错

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

AI总结 自动驾驶规划需将多种信息转化为连续轨迹，现有视觉-语言-动作（VLA）规划器有局限。提出AnchorVLA框架，用轨迹模式锚连接高层VLA推理与连续轨迹执行，提升效率、语义动作对齐和生成灵活性。

DSIP: A Dynamic Coordination Planner for Signal-Free Intersections using Diffusion-Model-Based Multi-Agent Motion Planning

DSIP: 基于扩散模型的多智能体运动规划的无信号交叉口动态协调规划器

Qian Hu, Haoyang Peng, Songan Zhang, Ming Yang, Hongtei Eric Tseng

机构 * Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学全球未来技术学院） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Department of Electrical Engineering, The University of Texas at Arlington（德克萨斯大学阿灵顿分校电气工程系） 纠错

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

AI总结 提出DSIP框架，利用扩散模型生成多车连续轨迹优化，替代传统信号相位控制，在SUMO仿真中显著降低平均延误并提高平均速度。

LAMP: Lane-Aligned Motion Primitives for Feasible Trajectory Prediction

LAMP: 面向可行轨迹预测的车道对齐运动基元

Sangjin Han, Hoseong Jung, Jeongtae Her, Changhyun Choi, H. Jin Kim

机构 * Seoul National University（首尔大学） ； Hyundai Motor Company（现代汽车公司） 纠错

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

AI总结 提出LAMP框架，利用VQ-VAE学习形状感知运动基元作为离散意图查询，并结合车道拓扑先验的可行性意图选择器，在保持行为多样性的同时提升预测轨迹的拓扑一致性和可行性。

Comments IEEE ITSC 2026, 6 pages

Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs

重新思考预测中的训练与推理：将赢家通吃带回高斯混合模型

Qiyuan Wu, Katie Z Luo, Bharath Hariharan, Wei-Lun Chao, Mark Campbell

机构 * Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学） 纠错

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

AI总结 针对轨迹预测中赢家通吃训练导致模式后验不可靠的问题，提出测试时后验加权合并和一步EM更新两种轻量级后处理方法，无需重训练即可提升模式排序和预测精度。

Comments Accepted by ECCV 2026

Reasonable Motion: A General ASP Foundation for Environment Constrained Movement Trajectory Computation

合理运动：环境约束下移动轨迹计算的一般ASP基础

Julius Monsen, Jakob Suchan, Mehul Bhatt, Lars Karlsson

机构 * Örebro University（厄勒布鲁大学） ； Constructor University Bremen（不来梅康斯特大学） ； CoDesign Lab（CoDesign实验室） 纠错

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

AI总结 提出一种基于回答集编程的混合定量-定性方法，用于计算真实环境中移动对象的约束分支轨迹模式，通过枚举几何上可行的运动行为作为稳定模型，实现可验证的可解释性，并在自动驾驶基准上验证。

Comments Accepted at: LPNMR 2026 - 18th International Conference on Logic Programming and Non-monotonic Reasoning, 7 - 11 September 2026 - Klagenfurt, Austria

Decentralized Autonomous Traffic Management through Corridor Networks

通过走廊网络的去中心化自主交通管理

Jasmine Jerry Aloor, Aadarsh Govada, Hamsa Balakrishnan

机构 * Department of Aeronautics and Astronautics（航空航天系） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland（马里兰大学） 纠错

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

AI总结 针对高密度自主航空交通，提出基于多智能体强化学习的去中心化走廊网络交通流管理方法，零样本迁移至复杂网络，无需集中协调或重训练。

Comments Presented at the Second US-Europe Air Transportation Research and Development Symposium (ATRDS2026)

JPPD: Joint Prediction_Planning Diffusion with Differentiable Safety Guidance for Dynamic Obstacle Avoidance in Intelligent Transportation Systems

JPPD：具有可微安全引导的联合预测-规划扩散框架用于智能交通系统中的动态障碍物规避

Jiahao Wu, Shengwen Yu

机构 * The University of Hong Kong（香港大学） ； Guangzhou College of Commerce（广州商学院） 纠错

专题命中 规划控制 ：occupancy(abstract)；分类 cs.RO、cs.AI

AI总结 提出联合预测-规划扩散框架，将参与者预测与机器人规划视为条件轨迹生成问题，通过可微安全势引导和条件流匹配提升共享空间中的安全性与效率。

Comments 12 pages, 4 figures

Dual-Agent Framework for Cross-Model Verified Translation of Natural-Language Protocols into Robotic Laboratory Platform

用于将自然语言协议翻译为机器人实验室平台的双智能体跨模型验证框架

Hyeonna Choi, Jung Yup Kim, Hyuneui Lim, Seunggyu Jeon

机构 * Department of Bionic Machinery, Research Institute of AI Robot, Korea Institute of Machinery & Materials（生物机械系、人工智能机器人研究所、韩国机械材料研究院） 纠错

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

AI总结 提出双智能体框架，通过解析器形式化协议、规则映射引擎生成控制命令、异构LLM验证器纠错，实现自然语言微孔板协议到机器人平台可执行命令的转换，并验证了端到端自主执行。

Learn to Quantify Social Interaction with Constraints for Pedestrian Walking

学习量化行人行走中的社交互动约束

Xiaodan Shi

机构 * Department of Computer and Systems Sciences, Stockholm University（斯德哥尔摩大学计算机与系统科学系） 纠错

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

AI总结 提出Learn to Cluster方法，通过概率潜变量生成模型从轨迹观测中无监督学习社交互动模式，并有效集成到行人轨迹预测中，提升预测鲁棒性。

HOLO-MPPI: Multi-Scenario Motion Planning via Hierarchical Policy Optimization

HOLO-MPPI：通过分层策略优化的多场景运动规划

Youngjae Min, Jovin D'sa, Faizan M. Tariq, David Isele, Navid Azizan, Sangjae Bae

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Honda Research Institute, USA（本田研究所（美国）） 纠错

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

AI总结 提出HOLO-MPPI框架，结合离线高层策略学习与在线低层随机最优控制，实现多场景运动规划，无需针对每个场景重新调整参数，在自动驾驶中优于MPPI和端到端RL基线。

Is Your Trajectory Displacement Safe in Long-tail?

你的轨迹位移在长尾场景中安全吗？

Qiao Sun, Weicheng Zheng, Yixin Huang, Hang Zhao

机构 * Shanghai Qi Zhi Institute（上海期智研究院） ； Tsinghua University（清华大学） ； Tongji University（同济大学） 纠错

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

AI总结 提出FluidTest评估框架，通过成对WebUI协议、32种语义威胁分类和三元验证系统，检测规划轨迹相对于专家参考的额外威胁，实验发现SOTA规划器仍存在大量安全相关失败。

Comments 20 pages, 15 figures

ConsistencyPlanner: Real-time Planning with Fast-Sampling Consistency Models

ConsistencyPlanner: 基于快速采样一致性模型的实时规划

Qichao Zhang, Xing Fang, Jiaqi Fang, Zhenwen Cai, Jie Ling, Qiankun Yu, Dongbin Zhao

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Guangzhou Zaofu Intelligent Technology Co., Ltd.（广州造父智能科技有限公司） 纠错

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

AI总结 提出Consistency Planner框架，利用快速采样一致性模型实现高效多模态采样，并结合注意力增强解码器融合异构特征，在Waymax模拟器中显著提升安全性和实时性。

Trajectory Optimization in Single and Dual-UAV Bearing-Only Target Localization

单无人机和双无人机仅方位目标定位中的轨迹优化

Zhijian Xiao, Huayu Huang, Bin Li, Yang Shang, Banglei Guan

机构 * College of Aerospace Science and Engineering, National University of Defense Technology（国防科技大学航天科学与工程学院） ； Hunan Key Laboratory of Image Measurement and Visual Navigation（湖南省图像测量与视觉导航重点实验室） 纠错

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

AI总结 提出基于Fisher信息矩阵的轨迹优化方法，通过谱加权目标函数和交叉角正弦项改善观测几何，结合改进粒子群算法，显著降低定位误差。

Comments 16 pages, 13 figures and 6 tables. Submitted to Measurement

A Geometric Gaussian Mixture Representation of Plane Curves

平面曲线的几何高斯混合表示

Ali Darijani, Benedikt Stratmann, Jürgen Beyerer

机构 * Fraunhofer IOSB（弗劳恩霍夫研究所） ； KIT, IES（卡尔斯鲁厄理工学院，信息工程系） 纠错

专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.CV、cs.AI

AI总结 提出一种用户定义的平面曲线概率多边形表示，通过为每个线段赋予法向不确定性参数，构造高斯混合模型，保留局部几何与法向不确定性，适用于多种曲线类型。

Cutting AI Datacenter Energy with Reinforcement Learning: Measured Power Control of LLM Training from One GPU to the Fleet

用强化学习降低AI数据中心能耗：从单GPU到集群的大语言模型训练实测功率控制

Eliseo Curcio

专题命中 规划控制 ：occupancy(abstract)；分类 cs.AI

AI总结 该研究针对大语言模型训练的GPU功耗问题，提出PPO元控制器调整生成参数，在单GPU及集群环境下降低功率违规、提升输出与能效，验证了超额订阅的可行性。

XCoT-VLA: Executable Chain-of-Thought for Vision-Language-Action Driving

XCoT-VLA：面向视觉-语言-动作自动驾驶的可执行思维链

Foundation Model Team, XPeng Inc

机构 * XPeng Inc（小鹏汽车） 纠错

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

AI总结 该研究提出XCoT-VLA，用可执行CoT令牌替代自然语言CoT，结合Reason FFN与Control FFN实现轨迹生成，在自动驾驶任务中降低了误差并满足实时规划要求。

Beyond the Plane: Coupling Planar Vehicle Dynamics with Three-Dimensional Road Geometry

超越平面：平面车辆动力学与三维道路几何的耦合

Simon Sagmeister, Phillip Pitschi, Nico Haja, Markus Lienkamp

机构 * Technical University of Munich（慕尼黑工业大学） ； School of Engineering & Design（工程与设计学院） 纠错

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

AI总结 本文提出将平面车辆动力学模型与三维道路几何耦合的新方法，通过转换车辆状态、计算道路诱导力验证其在赛车场及合成赛道的准确性，开源实现以弥合平面仿真与真实三维道路的差距。

Plan-and-Avoid: Real-Time Aircraft Trajectory Coordination in a Multi-Agent Environment

规划与避让：多智能体环境下的实时飞行器轨迹协调

Huseyin Emre Tekaslan, Ella M. Atkins, Natasha Neogi

机构 * Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学） ； NASA Langley Research Center（NASA兰利研究中心） 纠错

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

AI总结 该研究提出Plan-and-Avoid框架，针对多智能体空域环境，通过实时生成协作建议，在900余起强制着陆案例测试中，以5.7秒最坏响应时间实现优先级轨迹的低延迟安全间隔协调。

Unified Planning-Learning Framework for Robust UUV Navigation Under Partial Observability

部分可观测条件下用于自主水下航行器（UUV）鲁棒导航的统一规划-学习框架

Md Ether Deowan, Eleni Kelasidi

机构 * NTNU（挪威科技大学） 纠错

专题命中 规划控制 ：occupancy(abstract)；分类 cs.RO

AI总结 该研究提出统一规划-学习框架，结合占用地图构建、规划与控制，通过行为树蒸馏等技术提升UUV在部分可观测动态水下环境的导航鲁棒性与安全性，经仿真验证优于基线方法。

Comments 8 pages, 6 figures. Accepted for presentation at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026), Philadelphia, PA, USA

Policy Optimality Measurement for Multi-Vehicle Decision-Making: From Extrinsic Indicators to Intrinsic Quality

多智能体决策的策略最优性测量：从外在指标到内在质量

Ye Han, Lijun Zhang, Dejian Meng

机构 * School of Automotive Studies, Tongji University（同济大学汽车学院） 纠错

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

AI总结 该研究针对自动驾驶多智能体强化学习策略的黑箱评估问题，提出基于MCTS的信息论诊断框架，构建策略最优性评分以精准暴露策略缺陷，为内在多智能体策略质量提供严格基准标准。

Comments 8 pages, 7 figures

Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment

结合学习轨迹基元与概率安全评估的风险感知运动规划

Marc Kaufeld, Dian Zhuang, Johannes Betz

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

AI总结 本文提出由径向基函数网络指导的运动规划框架，结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化，在城市驾驶场景中提升风险感知并减少车辆限制违规，确保安全与可解释性。

Comments 8 pages, submitted to IEEE ITSC 2026, Naples, Italy

Steeringless Drifting: Differential-Torque Control of a Four-Wheel Independently Driven Vehicle

无舵漂移：四轮独立驱动车辆的差动扭矩控制

Sheng Zhao, Zexin Wu, Dongyang Zhou, Bolin Zhao, Xiaodong Wu

机构 * School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航天工程学院） 纠错

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

AI总结 研究针对无舵四轮独立驱动车辆，提出基于双轨车辆模型的差动扭矩漂移控制方法，经仿真和实验验证，该方法能使车辆实现特定角度的稳定圆周漂移及8字漂移跟踪，证明了仅用差动轮扭矩漂移控制的可行性。

BC-NMPC: Battery-Constrained NMPC with Propulsion Prediction and Replanning for High-Speed Flight

BC-NMPC：用于高速飞行的具有推进预测和重新规划的电池约束非线性模型预测控制

Parakh M. Gupta, Matej Mihulka, Matej Novosad, Robert Penicka, Martin Saska

机构 * Czech Technical University in Prague（捷克技术大学（布拉格）） 纠错

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

AI总结 针对高速飞行中无人机因电池问题致轨迹跟踪性能下降的问题，提出将电池和推进系统模型集成到NMPC框架的方法，能实时预测相关参数，通过轨迹规划算法提高性能，实验验证了模型准确性和算法有效性。

Comments [Submitted to Elsevier RAS]

Explainable Reinforcement Learning for assisting Air Traffic Controllers

用于协助空中交通管制员的可解释强化学习

Anduel Mehmeti, Gabriella Gigante, Salvatore Venticinque

机构 * Department of Engineering, University of Campania "Luigi Vanvitelli"（工程学院，坎帕尼亚"路易吉·范维蒂利"大学） ； CIRA（CIRA研究院） 纠错

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

AI总结 探索可解释性技术在强化学习算法中的应用，以协助空中交通管制员。用强化学习算法在简化ATC环境训练智能体决策避禁飞区路线，采用显著性图作为初步可解释性方法，为智能体决策提供关键输入特征见解。

Comments 11 pages (10-page paper plus 1 cover/citation page), 4 figures, 1 table; published in AINA 2025

Journal ref In: L. Barolli (ed.), Advanced Information Networking and Applications (AINA 2025), Lecture Notes on Data Engineering and Communications Technologies, vol. 250, pp. 148-157, Springer, Cham (2025)

Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing

深度强化学习引导的模型预测控制在自主赛车中防止超车的应用

Yufei Xi, Yijie Liao, Tulga Ersal

机构 * University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 规划控制 ：occupancy(abstract)；分类 cs.RO

AI总结 研究自主赛车防御性阻挡问题，通过分层强化学习引导的模型预测控制框架，将防御转化为空间占用调节问题。在仿真中提升平均超车时间，减少对手前进距离，使车辆有效利用轮胎力，且求解时间短，支持实时高速对抗。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 8 pages, 7 figures

Stochastic Multi-Objective Kinodynamic Planning Against Adversaries

针对对手的随机多目标运动动力学规划

Thomas Marshall Vielmetti, Daniel Cherenson, Dimitra Panagou

机构 * University of Michigan（密歇根大学） 纠错

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

AI总结 研究在含随机混合对手环境下的多目标运动动力学规划，核心方法是将规划空间转移到闭环策略序列，通过蒙特卡洛粒子展开评估风险，引入SMO-RRT和SMO-SST算法，推导有限样本界，实现概率安全规划。

Comments 8 pages, 1 figure, accepted to CDC 2026

STL-GCS: A Planner-Controller Framework for Signal Temporal Logic via Graphs of Time-varying Convex Sets

STL-GCS：一种基于时变凸集图的信号时序逻辑规划器-控制器框架

Nicola De Carli, Gregorio Marchesini, Dimos V. Dimarogonas

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

AI总结 提出用于满足凸谓词上STL规范的统一轨迹规划与控制框架，规划层将任务编码为时变凸集，结合GCS框架并由B样条参数化轨迹，控制层据此设计反馈控制器，通过仿真和实际实验验证了该方法。

Vessel Trajectory Prediction using COLREGs-aware Optimal Planning

使用COLREGs感知最优规划的船舶轨迹预测

David Kaikkonen, Fredrik Ljungberg, Erik Frisk

机构 * ABB Corporate Research（ABB企业研究部） ； Department of Electrical Engineering, Linköping University（Linköping大学电气工程系） 纠错

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

AI总结 研究船舶轨迹预测问题，核心方法是先利用A*搜索生成初始轨迹，再用数值优化器确保符合COLREG，以船舶当前位置、速度和目的地为输入，基于AIS数据验证，比基于学习的方法预测更快。

Comments 6 pages, 11 figures. This work has been accepted to IFAC2026 for publication under a Creative Commons Licence CC-BY-NC-ND

A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing

一种基于混合采样的具有博弈论引导的自主赛车轨迹规划器

Alexander Langmann, Frederico Pita de Araujo, Mattia Piccinini, Johannes Betz

机构 * Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（慕尼黑工业大学工程与设计学院自动驾驶车辆系统教授组） ； 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(abstract)；分类 cs.RO

AI总结 针对自主赛车在多智能体场景下的规划问题，提出将博弈论推理集成到基于采样的运动规划器的混合架构，利用离线学习势函数和在线梯度优化生成交互参考路径，在模拟环境中验证该方法能诱导防御行为且无计算负担。

Comments Accepted to IEEE ITSC 2026