自动驾驶

Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction

通过语义和物理双校正利用视觉语言模型重新规划人机协作任务

Taichi Kato, Takuya Kiyokawa, Namiko Saito, Kensuke Harada

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

AI总结 本文提出一种通过语义和物理双校正机制提升人机协作任务中机器人重新规划能力的框架，结合视觉语言模型与物理反馈纠正，提高任务执行的成功率和可行性。

Comments 20 pages, 9 figures

ECTraj: Enhanced Consistency Training for Multi-Agent Trajectory Prediction

增强多智能体轨迹预测的一致性模型

Alen Mrdovic, Qingze, Liu, Danrui Li, Mathew Schwartz, Kaidong Hu, Sejong Yoon, Mubbasir Kapadia, Vladimir Pavlovic

机构 * Rutgers University - New Brunswick（罗格斯大学-新不伦瑞克分校） ； New Jersey Institute of Technology（新泽西理工学院） ； The College of New Jersey（新泽西学院） 纠错

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

AI总结 本文提出ECTraj，通过改进训练和条件生成方法，提升多智能体轨迹预测的一致性模型性能，实现更快推理和更准确预测，建立新的基准。

A Convex Obstacle Avoidance Formulation

一种凸避障公式

Ricardo Tapia, Iman Soltani

机构 * Laboratory for AI, Robotics and Automation, University of California at Davis（人工智能、机器人与自动化实验室，加州大学戴维斯分校） 纠错

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

AI总结 提出首个通用凸避障公式，通过逻辑集成方法将避障融入凸MPC，相比非凸方法大幅提升计算效率，且障碍物在预测时域外仍有效，支持短时域实时部署。

Comments 17 pages, 12 figures, multimedia

Fine-Grained Behavior and Lane Constraints Guided Trajectory Prediction Method

细粒度行为与车道约束引导的轨迹预测方法

Wenyi Xiong, Jian Chen, Ziheng Qi

机构 * School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院） ； Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院广东省全驱系统控制理论与技术重点实验室） ； Leapmotor Technology（零跑科技） 纠错

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

AI总结 提出BLNet双流架构，通过并行注意力机制融合行为意图识别与车道约束建模，利用两阶段解码器生成轨迹，在nuScenes和Argoverse数据集上显著提升预测精度。

Comments This work has been submitted to the IEEE for possible publication

Visual-Language-Guided Task Planning for Horticultural Robots

面向园艺机器人的视觉-语言引导任务规划

Jose Cuaran, Kendall Koe, Aditya Potnis, Naveen Kumar Uppalapati, Girish Chowdhary

机构 * the Siebel School of Computing and Data Science（塞比尔计算与数据科学学院） ； the Department of Agricultural and Biological Engineering（农业与生物工程系） ； National Center for Supercomputing Applications（国家超级计算中心） 纠错

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

AI总结 提出一种模块化框架，利用视觉语言模型（VLM）主动查询异构数据源来引导机器人任务规划，在单作和混作环境中进行短期和长期作物监测任务基准测试，发现零样本VLM在短期任务中表现稳健（成功率87%），但长期多目标任务成功率低于10%，且依赖噪声语义地图时性能下降。

Comments 18 pages, 6 figures

2K Retrofit: Entropy-Guided Efficient Sparse Refinement for High-Resolution 3D Geometry Prediction

2K Retrofit: 熵引导的高效稀疏细化用于高分辨率3D几何预测

Tianbao Zhang, Zhenyu Liang, Zhenbo Song, Nana Wang, Xiaomei Zhang, Xudong Cai, Zheng Zhu, Kejian Wu, Gang Wang, Zhaoxin Fan

机构 * BUAA（北京航空航天大学） ； SJTU（上海交通大学） ； GigaAI ； XREAL ； NUST（南京理工大学） ； RUC（清华大学） ； NUDT（国防科技大学） ； UCAS（中国科学技术大学） ； BIBMS（北京工业大学） 纠错

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

AI总结 提出2K Retrofit框架，通过快速粗预测和基于熵的稀疏细化，在不修改基础模型的情况下实现高效2K分辨率几何预测，达到SOTA精度和速度。

Comments Accepted by ECCV 2026

Iterative Convex Optimization with Control Barrier Functions for Obstacle Avoidance among Polytopes

基于控制障碍函数的迭代凸优化在多面体障碍物规避中的应用

Shuo Liu, Zhe Huang, Calin A. Belta

机构 * Boston University（波士顿大学） ； 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

AI总结 针对多面体机器人与障碍物的避碰问题，提出一种迭代凸MPC-DCBF框架，通过精确最近点计算导出支撑超平面构建线性DCBF约束，实现快速在线安全控制。

Comments 8 pages, 4 figures

Output Type Before Quality: A Standards-Derived XAI Admissibility Rubric for Autonomous-Driving Safety

先输出类型，后质量：基于标准的自动驾驶安全XAI可接受性评估标准

Abhinaw Priyadershi, Mandar Pitale, Jelena Frtunikj, Maria Spence

机构 * NVIDIA Corporation（英伟达公司） ； NVIDIA GmbH（英伟达德国分公司） 纠错

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

AI总结 针对基于ML的自动驾驶安全标准与XAI方法输出类型不匹配的证据类型缺口，从多个安全标准推导出19项可测试证据标准，评估六类XAI方法，发现因果XAI在三个生命周期阶段结构上必需，并提出了结构可接受性概念。

Comments Accepted at SAFECOMP 2026 Workshops (SASSUR); to appear in Springer LNCS

Safety Case Patterns for VLA-based driving systems: Insights from SimLingo

基于VLA的驾驶系统的安全案例模式：来自SimLingo的见解

Gerhard Yu, Fuyuki Ishikawa, Oluwafemi Odu, Alvine Boaye Belle

机构 * York University（约克大学） ； National Institute of Informatics（国家信息研究所） 纠错

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

AI总结 针对VLA驾驶系统提出RAISE安全案例设计方法，通过扩展HARA和定制模式，结合SimLingo案例验证其构建基于证据的安全声明的有效性。

Discrete-WAM: Unified Discrete Vision-Action Token Editing for World-Policy Learning

Discrete-WAM：面向世界-策略学习的统一离散视觉-动作标记编辑

Ziyang Yao, Haochen Liu, Yuncheng Jiang, Zeyu Zhu, Zibin Guo, Jingru Wang, Tianle Liu, Jianwei Cui, Kuiyuan Yang, Hongwei Xie, Jingwei Zhao, Guang Chen, Hangjun Ye

机构 * Xiaomi EV（小米电动车） 纠错

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

AI总结 提出Discrete-WAM，通过将未来视觉状态和自车动作对齐为离散标记，构建统一离散扩散框架，实现世界建模、世界-动作策略和分层决策策略的联合学习，支持可控生成和反事实推理，提升自动驾驶决策可靠性。

Robust Driving Control for Autonomous Vehicles: An Intelligent General-sum Constrained Adversarial Reinforcement Learning Approach

自动驾驶鲁棒控制：一种智能一般和约束对抗强化学习方法

Junchao Fan, Qi Wei, Ruichen Zhang, Yang Lu, Jianhua Wang, Xiaolin Chang, Bo Ai

机构 * Beijing Key Laboratory of Security and Privacy in Intelligent Transportation（北京智能交通安全与隐私重点实验室） ； Beijing Jiaotong University（北京交通大学） ； College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学） ； School of Computer Science and Technology（计算机科学与技术学院） ； Taiyuan University of Technology（太原科技大学） ； School of Electronics and Information Engineering（电子与信息工程学院） 纠错

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

AI总结 针对深度强化学习在自动驾驶中易受对抗攻击的问题，提出智能一般和约束对抗强化学习（IGCARL），通过战略性目标对手和鲁棒驾驶代理的交互训练，在约束优化下提升策略稳定性，实验表明成功率比现有方法提高至少27.9%。

RoMeRL: Balancing Feedback Coverage and the Memory-Reward Trap in Self-Evolving Agent Memory via Reduced-Order Utility States

RoMeRL：通过降阶效用状态平衡自进化智能体记忆中的反馈覆盖与记忆-奖励陷阱

Yi Yang, Zhennan Chen, Yihong Zhuang, Tiehan Fan, Yinan Chen, Jian Li, Jian Yang, Ying Tai

机构 * Nanjing University（南京大学） ； Xiamen University（厦门大学） ； Zhejiang University（浙江大学） 纠错

专题命中 规划控制 ：occupancy(abstract)

AI总结 RoMeRL通过降阶效用状态解决自进化LLM智能体记忆的反馈分散与记忆-奖励陷阱问题，在ALFWorld等基准上显著提升任务性能、降低记忆规模与LLM调用

Optimization-based Online Conformal Prediction for Multi-step Forecasting

基于优化的在线共形预测用于多步预测

Ruipu Li, Daniel Menacho, Alexander Rodríguez

机构 * University of Michigan（密歇根大学） 纠错

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

AI总结 提出O2CP框架，通过双层优化结构建模多步误差依赖，在保证边际覆盖有效性的同时生成更窄的预测区间，实验表明在自动驾驶、气候预测等领域优于现有方法。

Who Responds When the Driver Is Gone? A Framework for Holistic Passenger Intent Understanding

当驾驶员离开时谁来做出反应？一种人类意图理解框架

Xuewen Luo, Ding Fan, Ruiqi Chen, Ye Cao, Xiujin Liu, Bo Yu, Fengze Yang, Chenxi Liu

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

AI总结 研究无人驾驶时谁理解并回应乘客，提出Intent2Drive框架，将意图建模为潜在认知状态，构建数据集和推理器，引入分层规划器，提升意图推理等能力，迈向响应乘客的自动驾驶系统。

Guidance on the Safety Assurance of Autonomous Systems in Complex Environments (SACE)

复杂环境下自主系统安全保障指南（SACE）

Richard Hawkins, Rob Alexander, Matt Osborne, Mike Parsons, Mark Nicholson, John McDermid, Ibrahim Habli

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

AI总结 该研究提出SACE方法，通过安全论证模式与流程，将安全保障整合到自主系统开发中，生成安全可接受性证据，解决复杂环境下自主系统的安全保障问题。

Comments Version 1.1

Thermalization Dynamics in the Two-Dimensional Hubbard Model with Neural-Network Quantum States

二维哈伯德模型中热化从实时动力学的崩溃

Alessandro Sinibaldi, Luciano Loris Viteritti, Riccardo Rende, Fakher F. Assaad, Giuseppe Carleo

专题命中 规划控制 ：occupancy(abstract)

AI总结 利用时间相关变分蒙特卡洛和基于变压器的神经网络量子态，研究二维哈伯德模型在相互作用淬火后的实时动力学，发现弱到中等相互作用下长时双占据与热化一致，而超过临界相互作用时出现热化破坏。

Comments 10 pages, 7 figures

Semi-on-Demand Off-Peak Transit Services with Shared Autonomous Vehicles -- Service Planning, Simulation, and Analysis in Munich, Germany

基于共享自动驾驶车辆的半按需非高峰公交服务——德国慕尼黑的服务规划、模拟与分析

Max T. M. Ng, Roman Engelhardt, Florian Dandl, Vasileios Volakakis, Hani S. Mahmassani, Klaus Bogenberger

专题命中 规划控制 ：occupancy(abstract)

AI总结 研究基于共享自动驾驶车辆的半按需非高峰公交服务，结合分析建模与模拟方法，探讨德国慕尼黑十条公交线路的服务规划等关键问题，发现SAV可提高服务质量，验证了分析模型，明确最佳SoD设置及过渡阶段的情况。

Comments 38 pages, 10 figures, accepted for publication in Transportation Research Part C: Emerging Technologies. A previous version was presented at the 104th Transportation Research Board Annual Meeting, Washington, D.C

Journal ref Transportation Research Part C: Emerging Technologies, 2026

Mixed Bernstein-Fourier Approximants for Optimal Trajectory Generation with Periodic Behavior

用于具有周期性行为的最优轨迹生成的混合伯恩斯坦 - 傅里叶逼近

Liraz Mudrik, Sean Kragelund, Isaac Kaminer

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

AI总结 针对自主系统中最优轨迹生成问题，提出混合伯恩斯坦 - 傅里叶逼近框架，利用伯恩斯坦多项式和傅里叶级数特性，通过调节最小二乘法确定系数，提升计算效率和精度，为最优轨迹规划提供了有效方法。

Comments 56 pages, 10 figures

Opportunities and Challenges of Operating Semi-Autonomous Vehicles: A Layered Vulnerability Perspective

半自动驾驶车辆的操作机会与挑战：从分层脆弱性视角出发

Soumita Mukherjee, Priya Kumar, Laura Cabrera

专题命中 规划控制 ：self-driving(abstract)

AI总结 本文从分层脆弱性视角探讨半自动驾驶车辆操作员的脆弱性，揭示心理、操作和社会层次的相互作用，强调需综合设计与监管干预以提升安全性和责任归属。

Comments This paper has changed significantly after the first revision

TeamTR: Trust-Region Fine-Tuning for Multi-Agent LLM Coordination

TeamTR: 用于多智能体大语言模型协调的信赖区域微调

Yi Xie, Siao Liu, Falong Fan, Yuanqi Yao, Yue Zhao, Bo Liu

机构 * Department of Electrical \& Computer Engineering, University of Arizona ； Engineering College, Soochow University ； INSAIT, Sofia University "St. Kliment Ohridski" ； Department of Electrical ； Computer Engineering, Stony Brook University 纠错

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文提出TeamTR，通过信赖区域框架在每个组件更新后重采样轨迹并控制每个智能体的发散度，解决多智能体系统中因上下文分布变化导致的性能下降问题，实验表明其在协调回归抑制和组件替换支持方面优于单智能体和序列基线。

Comments 9pages, Accepted at ICML2026

Quality-Controlled Active Learning via Gaussian Processes for Robust Structure-Property Learning in Autonomous Microscopy

通过高斯过程进行质量控制的主动学习用于自主显微镜中鲁棒的结构-性质学习

Jawad Chowdhury, Ganesh Narasimha, Jan-Chi Yang, Yongtao Liu, Rama Vasudevan

机构 * UT-Battelle, LLC（UT-Battelle有限责任公司） 纠错

专题命中 规划控制 ：self-driving(abstract)

AI总结 本文提出一种结合好奇心驱动采样与物理指导质量控制过滤器的主动学习框架，用于提升自主显微镜中结构-性质学习的鲁棒性，通过处理训练和采集过程中的噪声，提高预测可靠性。

Comments 22 pages, 12 figures, 2 tables; submitted to npj Computational Materials

Normalizing Flows are Capable Models for Continuous Control

归一化流是连续控制的有效模型

Raj Ghugare, Benjamin Eysenbach

机构 * Department of Computer Science（计算机科学系） 纠错

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文提出一种归一化流架构，可无缝集成到强化学习算法中作为策略、Q函数和占用度量，在模仿学习、离线、目标条件和无监督RL中取得更高性能。

Comments Project page with code - https://rajghugare19.github.io/nf4rl/

Stress-triggered atomic explosion of trapped hydrogen initiates crack nucleation

应力触发捕获氢的原子爆炸引发裂纹成核

Liang Gao, Thomas Schwarz-Selinger, Martin Balden, Cong Li, Peter Manz, Wolfgang Jacob, Rudolf Neu, Christian Linsmeier, GuangHong Lu

专题命中 规划控制 ：occupancy(abstract)

AI总结 通过钨的等离子/离子辐照实验，发现捕获氢在无扩散氢条件下通过两阶段力化学断裂机制引发裂纹成核，颠覆了传统氢脆观点。

Comments We demonstrate the indispensable role of defect-trapped hydrogen (DTH) in initiating crack nucleation in the absence of diffusive hydrogen, overturning the conventional theory of hydrogen embrittlement from Sir Johnson in 1875. The Main text 13 Pages, 1 table plus 4 figures

Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving

Drive-JEPA：视频JEPA结合多模态轨迹蒸馏实现端到端驾驶

Linhan Wang, Zichong Yang, Chen Bai, Guoxiang Zhang, Xiaotong Liu, Xiaoyin Zheng, Xiao-Xiao Long, Chang-Tien Lu, Cheng Lu

机构 * Virginia Tech（弗吉尼亚理工学院） ； Purdue University（普渡大学） ； XPENG Motors（小鹏汽车） ； Nanjing University（南京大学） 纠错

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

AI总结 提出Drive-JEPA框架，结合视频联合嵌入预测架构（V-JEPA）与多模态轨迹蒸馏，通过自监督视频预训练和动量感知选择机制提升端到端驾驶的规划性能，在NAVSIM上达到新最优。

DIVER: Reinforced Diffusion Breaks Imitation Bottlenecks in End-to-End Autonomous Driving

DIVER：强化扩散突破端到端自动驾驶的模仿瓶颈

Ziying Song, Lin Liu, Hongyu Pan, Bencheng Liao, Mingzhe Guo, Lei Yang, Yongchang Zhang, Shaoqing Xu, Caiyan Jia, Yadan Luo

机构 * School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大数据挖掘与具身智能关键实验室，北京交通大学计算机科学与技术学院） ； Horizon Robotics（地平线机器人） ； 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） ； School of Electrical Engineering and Computer Science, The University of Queensland（昆士兰大学电子工程与计算机科学学院） 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 DIVER通过融合强化学习与扩散生成，生成多样化可行轨迹，提升自动驾驶的泛化能力，解决模仿学习中的模式崩溃问题。

Comments 17 pages, 10 figures

VISA: VLM-Guided Instance Semantic Auditing for 3D Occupancy World Models

VISA: VLM引导的实例语义审计用于3D占据世界模型

Ruiqi Xian, Yuehan Xian, Jing Liang, Xuewei Qi, Dinesh Manocha

机构 * University of Maryland College Park（马里兰大学帕克分校） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； Stanford University（斯坦福大学） ； Motional AD Inc.（Motional AD公司） 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VISA方法，利用离线VLM对每个物理对象实例进行结构化语义审计，并通过可靠性加权损失蒸馏到3D占据模型中，无需VLM推理即可提升封闭集占据mIoU。

SparseWorld: Enhancing End-to-End Autonomous Driving via World Models with Sparse Scene Representation

SparseWorld: 通过具有稀疏场景表示的世界模型增强端到端自动驾驶

Ruoyu Wang, Jingke Wang, Yukai Ma, Yuehao Huang, Shuangming Lei, Guanglin Xu, Aixue Ye, Yong Liu

机构 * Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制系统研究所） ； Labs, Huawei（华为2012实验室） ； State Key Laboratory of Industrial Control Technology（国家工业控制技术重点实验室） 纠错

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

AI总结 提出SparseWorld，一种基于稀疏场景表示的轻量级世界模型，通过自回归预测未来地图元素和周围智能体，并利用预测结果优化下游运动预测和轨迹规划，在nuScenes数据集上实现0.05%的碰撞率，达到开放循环规划指标的最优性能。

TerraTransfer: Learning End-to-End Driving Policies Without Expert Demonstrations

TerraTransfer: 无需专家示范的端到端驾驶策略学习

Zikang Xiong, Weixin Li, Zhouchonghao Wu, Akshay Rangesh, Saarth Bonde, Grantland Hall, Chen Tang, Yihan Hu, Wei Zhan

机构 * Applied Intuition ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校） 纠错

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

AI总结 提出一种无需专家示范的端到端驾驶方法，通过向量化模拟器中的自博弈预训练策略，再与预训练视觉骨干对齐，降低了数据成本并达到或超越现有方法。

CogAD: Cognitive-Hierarchy Guided End-to-End Autonomous Driving

CogAD: 认知层次引导的端到端自动驾驶

Zhennan Wang, Jianing Teng, Canqun Xiang, Kangliang Chen, Xing Pan, Lu Deng, Weihao Gu

机构 * HAOMO.AI Technology Co., Ltd（HAOMO.AI技术有限公司） 纠错

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

AI总结 提出CogAD模型，通过全局到局部的层次感知和意图条件多模态轨迹生成，模拟人类驾驶员的认知层次机制，在nuScenes和Bench2Drive上实现端到端规划的最优性能，尤其在长尾场景和复杂真实驾驶条件下表现优异。

Comments CVPR2026 Workshop on Autonomous Driving

Multi-Agent Embodied Autonomous Driving: From V2X Information Exchange to Shared World Models

多智能体具身自动驾驶：从V2X信息交换到共享世界模型

Senkang Hu, Zhengru Fang, Yihang Tao, Zihan Fang, Yiqin Deng, Yuguang Fang

机构 * Lingnan University, Hong Kong（岭南大学（香港）） 纠错

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

AI总结 本文综述了从单车智能向多智能体具身系统转变的自动驾驶技术，通过共享世界模型实现感知共享、意图推断和协同规划，并指出了在仿真评估、实时安全保证等方面的研究空白。