自动驾驶

A Causal Probabilistic Framework for Perception-Informed Closed-Loop Simulation of Autonomous Driving

面向感知信息闭环仿真的自动驾驶因果概率框架

Zhennan Fei, Rickard Johansson, Mikael Andersson, Matthias Eng, Mattias Eriksson, Kaveh Kianfar, Sadegh Rahrovani, Chris van der Ploeg, Michael Borth, Maren Buermann, Michiel Braat, Henk Goossens, Zijian Han, Majid Khorsand Vakilzadeh, Gabriel Rodrigues de Campos

机构 * ETH Zürich（苏黎世联邦理工学院） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出一种因果概率模型框架，将感知误差注入标准仿真环境，揭示理想SIL无法捕获的潜在风险，为SOTIF验证提供可扩展路径。

Risk Assessment of Autonomous Driving: Integrating Technical Failures, Ethical Dilemmas, and Policy Frameworks

自动驾驶风险评估：整合技术故障、伦理困境与政策框架

Boyi Chen, Shengqin Chu, Zicheng Wang, Brian Baetz, Zhen Gao

机构 * Faculty of Engineering, McMaster University（麦斯特大学工程学院） 纠错

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

AI总结 本文通过分析NHTSA事故数据、DMV脱离报告、MIT道德机器数据集及五辖区法规对比，发现感知与分类错误是主要技术故障模式，并指出不同伦理框架和法规不一致性增加应用不确定性，建议采用适应性协同治理方法。

Comments 19 pages, 1 figure

AutoRally An open platform for aggressive autonomous driving

AutoRally：一个用于激进自动驾驶的开放平台

Brian Goldfain, Paul Drews, Changxi You, Matthew Barulic, Orlin Velev, Panagiotis Tsiotras, James M. Rehg

机构 * Georgia Tech Autonomous Racing Facility（佐治亚理工学院自动驾驶赛车中心） 纠错

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

AI总结 本文介绍了一个1:5比例的机器人测试平台AutoRally，旨在提供稳健、易用和可重复的自动驾驶研究环境，使非专业人员也能收集真实世界的数据。

CANMOT: Class-Aware Noise Modeling for Multi-Object Tracking in Autonomous Driving

CANMOT: 自动驾驶中多目标跟踪的类别感知噪声建模

Timo Osterburg, Stefan Schütte, Torsten Bertram

机构 * Institute of Control Theory and Systems Engineering, TU Dortmund University（控制理论与系统工程研究所，多特蒙德大学） 纠错

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

AI总结 针对自动驾驶中多目标跟踪任务，提出一种类别感知且目标对齐的噪声建模框架CANMOT，通过引入类别特定的过程与测量噪声协方差矩阵，并在目标坐标系中表达以保持纵向-横向各向异性，从而提升跟踪性能并显著减少身份切换。

Comments submitted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

GeoDrive-Bench: Benchmarking Region-Specific Multimodal Reasoning in Autonomous Driving

GeoDrive-Bench：自动驾驶中区域特定多模态推理的基准测试

Yingzi Ma, Chaowei Xiao, Ming Jiang

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 提出GeoDrive-Bench基准，通过5053个跨六国人工验证的多选题，评估视觉语言模型在感知、预测、规划和区域推理四个驾驶任务中基于区域特定交通规则的推理能力，并设计蒸馏算法注入区域知识以提升模型性能。

Trans2Occ: Voxel Occupancy Estimation and Grasp for Transparent Objects from Simulation to Reality

Trans2Occ: 从仿真到现实的透明物体体素占用估计与抓取

Yixuan Yang, Sha Zhang, Rui Li, Zhenfei Yin, Xinzhu Ma, Yiran Qin, Lei Bai, Xudong Xu, Shilin Shan, Wangmeng Zuo, Yanyong Zhang, Wanli Ouyang, Feng Zheng, Shixiang Tang, Dongzhan Zhou

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； SUSTech（南方科技大学） ； CUHK（香港中文大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Oxford（牛津大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 感知 ：occupancy(title,abstract)；分类 cs.RO

AI总结 提出基于单视图RGB输入的体素占用预测框架，结合仿真数据生成与规则抓取策略，实现透明物体的鲁棒3D感知与操作。

Situation-Aware Interactive MPC Switching for Autonomous Driving

自动驾驶中的情境感知交互式MPC切换

Shuhao Qi, Qiling Aori, Luyao Zhang, Mircea Lazar, Sofie Haesaert

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 针对自动驾驶中交互场景的挑战，提出一种基于神经网络的分类器，根据情境需求在不同MPC控制器间切换，以平衡性能和计算开销。

Uncertainty-Aware and Temporally Regulated Expert Advice in Reinforcement Learning for Autonomous Driving

自动驾驶强化学习中不确定性感知与时间调控的专家建议

Ahmed Abouelazm, Felix Klingebiel, Philip Schörner, J. Marius Zöllner

机构 * FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究所） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

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

AI总结 提出一种不确定性感知框架，通过自适应阈值触发专家建议并采用承诺-冷却策略调控指导时长，结合离线策略隐式分位数网络实现安全高效的探索，在CARLA中成功率提升5-7%。

Comments Accepted in The IEEE International Conference on Intelligent Transportation Systems (ITSC) September 15-18, 2026 -- Naples, Italy

ScenePilot: Controllable Boundary-Driven Critical Scenario Generation for Autonomous Driving

ScenePilot: 可控的边界驱动型自动驾驶关键场景生成

Qiyu Ruan, Yuxuan Wang, He Li, Zhenning Li, Cheng-zhong Xu

机构 * State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC), University of Macau, Macau, China（智能城市物联网国家重点实验室（SKL-IOTSC）、澳门大学、中国澳门） ； Faculty of Science and Technology, University of Macau, Macau, China（澳门大学科技学院） 纠错

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

AI总结 提出ScenePilot框架，通过结合RSS物理可行性评分与在线学习的AV风险预测器，将场景生成建模为约束多目标强化学习，并引入步级可行性感知屏蔽，以生成物理上可解但导致自动驾驶系统失败的关键场景。

DriveWAM: Video Generative Priors Enable Scalable World-Action Modeling for Autonomous Driving

DriveWAM: 视频生成先验实现自动驾驶的可扩展世界-动作建模

Chen Shi, Jinrui Xu, Shaoshuai Shi, Kehua Sheng, Bo Zhang, Li Jiang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Voyager Research, Didi Chuxing（Voyager Research，滴滴出行） 纠错

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

AI总结 提出DriveWAM，通过将预训练视频扩散Transformer适配为自回归视频-动作策略，并引入场景演化驾驶引导和选择性KV记忆，实现可扩展的世界-动作建模，在NAVSIM和PhysicalAI基准上取得强规划性能。

Datasets for Lane Detection in Autonomous Driving: A Comprehensive Review

自动驾驶中车道检测数据集：全面综述

Jörg Gamerdinger, Sven Teufel, Oliver Bringmann

机构 * University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group（图宾根大学，科学学院，计算机科学系，嵌入式系统小组） 纠错

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

AI总结 本文全面综述了20个公开车道检测数据集，通过多维质量指标分析其特性、优势和局限，并指出未来改进方向以推动鲁棒车道检测创新。

Decision-Making with Lightweight Confidence-Aware Language Model for Autonomous Driving

基于轻量级置信感知语言模型的自动驾驶决策

Ruoyu Yao, Ruiguo Zhong, Pei Liu, Mingxing Peng, Rui Yang, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 提出一种利用轻量级置信感知语言模型的决策框架，通过多智能体协作生成置信注释的决策演示并蒸馏到双头轻量模型，在nuPlan上实现SOTA成功率和低延迟。

Comments 8 Pages, 3 figures, ITSC 2026

Real2Sim: A Physics-driven and Editable Gaussian Splatting Framework for Autonomous Driving Scenes

Real2Sim：一种用于自动驾驶场景的物理驱动且可编辑的高斯点扩散框架

Kaicong Huang, Talha Azfar, Weisong Shi, Ruimin Ke

机构 * Department of Civil and Environmental Engineering, Rensselaer Polytechnic Institute（拉特克利夫理工学院土木与环境工程系） ； Department of Computer and Information Sciences, University of Delaware（德雷塞尔大学计算机与信息科学系） 纠错

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

AI总结 Real2Sim结合4D高斯点扩散与可微材料点法求解器，实现动态驾驶场景的连续高斯原语重建，支持实例级编辑，并模拟真实物体间交互，提升自动驾驶场景生成的物理真实性和编辑灵活性。

Still Camouflage, Moving Illusion: View-Induced Trajectory Manipulation in Autonomous Driving

仍然伪装，移动的幻觉：自动驾驶中的视角诱导轨迹操纵

Shuo Ju, Qingzhao Zhang, Huashan Chen, Xuheng Wang, Haotang Li, Wanqian Zhang, Feng Liu, Kebin Peng, Sen He

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； The University of Arizona（亚利桑那大学） ； Beijing Jiaotong University（北京交通大学） ； East Carolina University（东卡罗来纳大学） 纠错

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

AI总结 本文提出一种新型攻击方法，利用车辆视角变化自然演变的伪装，诱导自动驾驶系统产生错误轨迹推断，导致不必要的制动，且无需多视角鲁棒性或主动干预。

DRIVE-C: A Controlled Corruption Dataset for Autonomous Driving

DRIVE-C：面向自动驾驶的受控干扰数据集

Shiva Aher

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 DRIVE-C数据集通过受控的视觉干扰评估自动驾驶系统感知鲁棒性，包含10个干净视频片段和600个受干扰片段，支持鲁棒性基准测试、降质感知建模和传感器健康监测。

TEACar: An Open-Source Autonomous Driving Platform

TEACar：一个开源的自动驾驶平台

Zhongzheng Zhang, Maxwell Ruyle, Andrew Kappes, Tyler Ruble, William Shaoul, Dana Moreno, Jack Penn, Ivan Ruchkin

机构 * Trustworthy Engineered Autonomy (TEA) Lab, Department of Electrical and Computer Engineering, University of Florida（可信工程自主性实验室，电气与计算机工程系，佛罗里达大学） 纠错

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

AI总结 本文提出TEACar，一个模块化、低成本的自动驾驶测试平台，通过四层结构分离感知、计算、执行和电源子系统，提升结构刚性并简化重构。

Understanding Adversarial Transferability in Vision-Language Models for Autonomous Driving: A Cross-Architecture Analysis

理解视觉语言模型在自动驾驶中的对抗转移性：跨架构分析

David Fernandez, Pedram MohajerAnsari, Amir Salarpour, Mert D. Pese

机构 * School of Computing, Clemson University, USA（克莱姆森大学计算机学院） 纠错

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

AI总结 本文通过跨架构研究探讨视觉语言模型在自动驾驶中的对抗转移性，评估了三种架构在不同场景下的对抗效果，发现高跨架构有效性。

Comments 9 pages, 2 figures. Accepted at SAE WCX 2026

Journal ref SAE Technical Paper 2026-01-0170, SAE WCX 2026

TwinLiteNet+: An Enhanced Multi-Task Segmentation Model for Autonomous Driving

TwinLiteNet+: 一种增强的多任务分割模型用于自动驾驶

Quang-Huy Che, Duc-Tri Le, Minh-Quan Pham, Vinh-Tiep Nguyen, Duc-Khai Lam

机构 * University of Information Technology, Ho Chi Minh City, Vietnam（越南胡志明市信息科技学院） ； Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学） 纠错

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

AI总结 本文提出TwinLiteNet+，一种高效的多任务分割模型，用于实时自动驾驶中的可行驶区域和车道标记分割，通过混合编码器架构和轻量级上采样模块提升精度与效率。

Journal ref Computers and Electrical Engineering 128 (2025) 110694

Large Language Model based Interactive Decision-Making for Autonomous Driving

基于大语言模型的自主驾驶交互决策

Xinwei Dong, Jiyang Li, Jiabin Xie, Yang Yi, Tianshang Jia, Shiyu Fang, Ye Tian, Peng Hang

机构 * College of Transportation, Tongji University, Shanghai 201804, China（同济大学交通运输学院，上海201804，中国） ； School of Automotive Studies, Tongji University, Shanghai 201804, China（同济大学汽车学院，上海201804，中国） ； School of Computer Science and Technology, Tongji University, Shanghai 201804, China（同济大学计算机科学与技术学院，上海201804，中国） 纠错

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

AI总结 本文提出基于大语言模型的交互决策框架，通过语义建模和意图感知提升安全性和效率，实验表明在混合交通场景中优于传统方法，且具有高度的人类相似性。

Comments Accepted by Journal of Traffic and Transportation Engineering (English Edition)

Transferable Physical-World Adversarial Patches Against Object Detection in Autonomous Driving

可转移的物理世界对抗性补丁对抗自动驾驶中的目标检测

Zihui Zhu, Ziqi Zhou, Yichen Wang, Lulu Xue, Minghui Li, Shengshan Hu

机构 * Huazhong University of Science（华中科技大学） 纠错

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

AI总结 本文提出AdvAD方法，通过统一框架优化多检测模型的对抗性补丁，提升其在不同架构中的鲁棒性和转移性，实验表明其在性能和可转移性上优于现有方法。

DriveAgent-R1: Advancing VLM-based Autonomous Driving with Active Perception and Hybrid Thinking

DriveAgent-R1: 通过主动感知和混合思维推进基于视觉语言模型的自动驾驶

Weicheng Zheng, Xiaofei Mao, Nanfei Ye, Pengxiang Li, Kun Zhan, Xianpeng Lang, Hang Zhao

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

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

AI总结 DriveAgent-R1通过主动感知和混合思维框架，提升自动驾驶中的视觉推理能力，采用三阶段训练策略，在复杂场景中实现高效决策，展现与顶级模型相当的性能。

Comments Accepted to ICLR 2026

Dataset Safety in Autonomous Driving: Requirements, Risks, and Assurance

自动驾驶中的数据集安全：要求、风险与保证

Alireza Abbaspour, Tejaskumar Balgonda Patil, B Ravi Kiran, Russel Mohr, Senthil Yogamani

机构 * Qualcomm Inc（高通公司） 纠错

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

AI总结 本文提出了一种结构化框架，用于开发符合ISO/PAS 8800指南的安全生产数据集，通过AI感知系统案例，介绍AI数据飞轮和数据集生命周期，涵盖数据收集、标注、整理与维护，并定义安全要求和验证策略以确保符合安全标准。

Nested Radially Monotone Polar Occupancy Estimation: Clinically-Grounded Optic Disc and Cup Segmentation for Glaucoma Screening

嵌套径向单调极占用估计：面向青光眼筛查的临床导向视盘和视杯分割

Rimsa Goperma, Rojan Basnet, Liang Zhao

机构 * Graduate School of Advanced Integrated Studies in Human Survivability (GSAIS), Kyoto University（京都大学人类生存能力高级综合研究研究生院（GSAIS）） 纠错

专题命中 感知 ：occupancy(title,abstract)；分类 cs.CV

AI总结 本文提出NPS-Net框架，通过嵌套径向单调极占用估计实现视盘和视杯的临床有效分割，提升跨数据集的泛化能力与分割精度。

RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation

RePL：伪标签细化用于半监督激光雷达语义分割

Donghyeon Kwon, Taegyu Park, Suha Kwak

机构 * Dept. of CSE, POSTECH（浦项科技大学计算机科学与工程系） ； GSAI, POSTECH（浦项科技大学人工智能研究生院） 纠错

专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 RePL通过掩码重建识别并纠正伪标签中的潜在错误，提升伪标签质量，从而在激光雷达语义分割中取得最优性能。

Weather-Conditioned Branch Routing for Robust LiDAR-Radar 3D Object Detection

针对恶劣天气的分支路由用于鲁棒的激光雷达-雷达3D目标检测

Hongsheng Li, Lingfeng Zhang, Zexian Yang, Liang Li, Rong Yin, Xiaoshuai Hao, Wenbo Ding

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院） ； Institute of Information Engineering, CAS（中国科学院信息工程研究所） 纠错

专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 本文提出一种基于天气条件的分支路由方法，通过动态调整模态偏好提升恶劣天气下3D目标检测的鲁棒性，实验表明其在K-Radar基准上达到最佳性能。

Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems

云辅助自动驾驶系统的对抗鲁棒性分析

Maher Al Islam, Amr S. El-Wakeel

机构 * Lane Department of Computer Science ； Electrical Engineering West Virginia University, WV, USA 纠错

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

AI总结 本文分析云辅助自动驾驶系统中感知模型和网络链路的跨层脆弱性，通过硬件在环测试验证对抗攻击和网络干扰对系统安全的影响，发现PGD攻击显著降低感知性能，网络延迟和丢包进一步破坏闭环控制。

ROS 2-Based LiDAR Perception Framework for Mobile Robots in Dynamic Production Environments, Utilizing Synthetic Data Generation, Transformation-Equivariant 3D Detection and Multi-Object Tracking

基于ROS 2的移动机器人动态生产环境LiDAR感知框架，利用合成数据生成、变换等价3D检测和多目标跟踪

Lukas Bergs, Tan Chung, Marmik Thakkar, Alexander Moriz, Amon Göppert, Chinnawut Nantabut, Robert Schmitt

机构 * Chair of Intelligence in Quality Sensing (IQS), Laboratory for Machine Tools and Production Engineering (WZL), RWTH Aachen University（亚琛工业大学机床与生产工程实验室质量感知智能教席） ； The Sirindhorn International Thai-German Graduate School of Engineering (TGGS), King Mongkut’s University of Technology North Bangkok (KMUTNB)（北曼谷先皇技术大学泰德国际工程研究生院） 纠错

专题命中 感知 ：LiDAR(title,abstract)；分类 cs.RO

AI总结 本文提出基于ROS 2的LiDAR框架，通过合成数据训练的变换等价3D检测与多目标跟踪，提升动态生产环境中机器人对6D姿态估计和多目标跟踪的鲁棒性，实验结果在72种场景中达到83.12%的IoU和91.12%的高阶跟踪精度。

Comments Accepted for publication at CIRP ICME 2025; will appear in Procedia CIRP

TerraSeg: Self-Supervised Ground Segmentation for Any LiDAR

TerraSeg: 任意LiDAR的自监督地面分割

Ted Lentsch, Santiago Montiel-Marín, Holger Caesar, Dariu M. Gavrila

机构 * Delft University of Technology（代尔夫特理工大学） ； University of Alcalá（阿尔卡拉大学） 纠错

专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 TerraSeg通过自监督学习实现任意LiDAR的地面分割，利用大规模统一数据集OmniLiDAR提升泛化能力，无需人工标注即可在多个数据集上取得最优性能。

Comments CVPR 2026

PoseDriver: A Unified Approach to Multi-Category Skeleton Detection for Autonomous Driving

PoseDriver: 多类别骨架检测的统一方法用于自动驾驶

Yasamin Borhani, Taylor Mordan, Yihan Wang, Reyhaneh Hosseininejad, Javad Khoramdel, Alexandre Alahi

机构 * Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院） 纠错

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

AI总结 本文提出PoseDriver框架，通过统一多任务学习实现多类别骨架检测，展示了在车道检测和自行车骨架检测中的高性能表现。

DarkDriving: A Real-World Day and Night Aligned Dataset for Autonomous Driving in the Dark Environment

DarkDriving: 一个用于黑暗环境自动驾驶的真实世界白天和夜晚对齐数据集

Wuqi Wang, Haochen Yang, Baolu Li, Jiaqi Sun, Xiangmo Zhao, Zhigang Xu, Qing Guo, Haigen Min, Tianyun Zhang, Hongkai Yu

机构 * Chang’an University（长安大学） ； Cleveland State University（克利夫兰州立大学） ； A*STAR 纠错

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

AI总结 本文提出DarkDriving数据集，通过自动日夜间轨迹跟踪基于姿态匹配方法，在真实世界封闭测试场收集了9538对精准对齐的图像，用于研究低光照增强技术及自动驾驶检测任务。

Comments 8 pages, 8 figures. Accepted to ICRA 2026