自动驾驶

Semantic Label Reduction Techniques for Autonomous Driving

Qadeer Khan, Torsten Schön, Patrick Wenzel

专题命中 感知 ：autonomous driving(title)；分类 cs.RO、cs.CV、cs.AI

Analyzing Self-Driving Cars on Twitter

Rizwan Sadiq, Mohsin Khan

专题命中 感知 ：self-driving(title,abstract)

Detection and Quantification of Volatiles at Mars using a multispectral LIDAR

Adrian J. Brown, Timothy Michaels, Lori Fenton, Paul O. Hayne, Sylvain Piqueux, Timothy N. Titus, Michael J. Wolff, R. Todd Clancy, Gorden Videen, Wenbo Sun, Robert Haberle, Anthony Colaprete, Mark I. Richardson, Shane Byrne, Richard Dissly, Steve Beck, Chris Grund

专题命中 感知 ：LiDAR(title,abstract)

Comments 9 pages, 3 figures

Micro-pulse upconversion Doppler lidar for wind and visibility detection in the atmospheric boundary layer

Haiyun Xia, Mingjia Shangguan, Chong Wang, Guoliang Shentu, Jiawei Qiu, Qiang Zhang, Xiankang Dou, Jianwei Pan

专题命中 感知 ：LiDAR(title,abstract)

Comments 10 pages 6figures

Journal ref Optics Letters 41, 5218 (2016)

Pulse-compression ghost imaging lidar via coherent detection

Chenjin Deng, Wenlin Gong, Shensheng Han

专题命中 感知 ：LiDAR(title,abstract)

Comments 10 pages, 5 figures

Airborne forward pointing UV Rayleigh lidar for remote clear air turbulence (CAT) detection: system design and performance

Patrick Vrancken, Martin Wirth, Gerhard Ehret, Hervé Barny, Philippe Rondeau, Henk Veerman

专题命中 感知 ：LiDAR(title,abstract)

Comments 17 pages, 19 figures. Pre-publish to Applied Optics (OSA)

Journal ref Applied Optics Vol. 55, Issue 32, pp. 9314-9328 (2016)

Reliable and Efficient Autonomous Driving: the Need for Heterogeneous Vehicular Networks

Kan Zheng, Qiang Zheng, Haojun Yang, Long Zhao, Lu Hou, Periklis Chatzimisios

专题命中 感知 ：autonomous driving(title,abstract)

RST-MODNet: Real-time Spatio-temporal Moving Object Detection for Autonomous Driving

Mohamed Ramzy, Hazem Rashed, Ahmad El Sallab, Senthil Yogamani

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

Comments Accepted for presentation at NeurIPS 2019 Workshop on Machine Learning for Autonomous Driving

IRGNN: Efficient Invariant Radar Graph Neural Network for Radar Point Cloud Object Detection

IRGNN：用于雷达点云目标检测的高效不变雷达图神经网络

Xiao Guo, Wanke Xia, Lili Yang, Caicong Wu

机构 * China Agricultural University（中国农业大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 针对雷达点云稀疏无序、信息不足难以适配现有激光雷达方法的问题，提出IRGNN，通过不变特征设计、改进MPNN及任务头实现目标检测，在RadarScenes数据集上性能更优且推理效率更高。

Comments Accepted at ICONIP 2026

RECO: Region-Aware Compensation for Extrinsic Perturbations in Roadside 3D Detection

RECO：用于路边3D检测中外在扰动的区域感知补偿

Junsheng Du, Zhaocheng He, Yuhuan Lu

机构 * School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院） ； Faculty of Applied Sciences, Macao Polytechnic University（澳门理工大学应用科学学院） 纠错

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

AI总结 针对路边3D检测中现有方法对相机外部参数敏感问题，提出RECO框架，通过预测范围边界划分场景区域，用分段6自由度姿态偏移校正外部参数，引入辅助重投影损失监督优化，实验证明其在多种偏差下优于基线且能应对不同扰动。

Zero-shot 3D General Obstacle Detection via Multimodal Foundation Models and Geometry

通过多模态基础模型和几何进行零样本3D通用障碍物检测

Tamás Matuszka, Péter Hajas, Dávid Szeghy

机构 * aiMotive 纠错

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

AI总结 针对自动驾驶中通用障碍物检测难题，提出结合多模态基础模型与几何推理的免训练零样本方法，能精准定位达100米，借基础模型先验提升召回率，还可实现可扩展自动标注。

Comments Accepted to CVPR 2026 AUTOPILOT Workshop

C2E: Boosting Ego-Only 3D Object Detection via Multi-Teacher Contrastive Knowledge Distillation

C2E: 通过多教师对比知识蒸馏提升仅自我3D目标检测

Jinlong Wang, Xun Huang, Qiming Xia, Shijia Zhao, Chenglu Wen

机构 * Fujian Key Laboratory of Urban Intelligent Sensing and Computing, Xiamen University（福建省城市智能感知与计算重点实验室，厦门大学） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算教育部重点实验室，厦门大学） ； Zhongguancun Academy（中关村学院） 纠错

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

AI总结 提出C2E范式，通过多对一智能体对比知识蒸馏框架M2S，结合多级特征增强、辅助点云重建和多教师对比蒸馏，在无通信成本下提升仅自我3D检测性能，在多个数据集上验证有效性。

Comments 18 pages, 8figures

Journal ref ECCV 2026

RC-GeoCP: Geometric Consensus for Radar-Camera Collaborative Perception

RC-GeoCP：雷达-相机协同感知的几何一致性

Xiaokai Bai, Lianqing Zheng, Runwei Guan, Siyuan Cao, Songkai Wang, Huiliang Shen

机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； School of Automotive Studies, Tongji University（同济大学汽车学院） ； Thrust of Artificial Intelligence, Hong Kong University of Science and Technology（香港科技大学人工智能研究所） 纠错

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

AI总结 提出首个4D雷达与相机协同感知框架RC-GeoCP，通过雷达锚定几何一致性解决深度模糊和空间分散导致的错位，实现高效通信与全局一致表示。

Comments 11 pages, 6 figures, 9 tables

HSDF-Lane: Height-Aligned Signed Distance Field with Semantic Lane Prior for 3D Lane Detection

HSDF-Lane: 高度对齐符号距离场与语义车道先验用于3D车道检测

Jiyong Boo, Byeongin Joung, Hyemin Yang, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 提出HSDF-Lane，通过高度对齐符号距离场隐式建模道路表面，结合可微渲染生成准确高度图和表面对齐特征，并引入车道感知语义位置编码注入车道先验，在OpenLane基准上实现3D车道检测和高度图估计的最优性能。

Comments ECCV 2026, Project page: https://jiyongboo.github.io/HSDF-Lane-project-page

UECP: Uncertainty-Enhanced Collaborative Perception

UECP：不确定性增强的协同感知

Kang Yang, Tianci Bu, Peng Wang, Deying Li, Wen Jie, Yongcai Wang

机构 * Renmin University of China（中国人民大学） ； National University of Defense Technology（国防科技大学） ； China Waterborne Transport Research Institute（交通运输部水运科学研究院） 纠错

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

AI总结 针对协同感知中证据不可靠和融合不充分的问题，提出基于物理场景感知的不确定性图，并构建UECP框架，通过UAPF模块实现鲁棒融合，在真实数据集上超越现有方法。

Comments 22 pages, 10 figures

PillarDETR: YOLO-Backbone and RT-DETR Head for Real-Time 3D Object Detection

PillarDETR：基于YOLO骨干和RT-DETR头的实时3D目标检测

Smit Kadvani, Shriya Gumber, Kriti Faujdar, Harsh Dave

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 提出PillarDETR架构，结合YOLOv8的CSP骨干和RT-DETR解码器，实现无需NMS的端到端实时3D目标检测，在KITTI和nuScenes上取得精度与速度的良好平衡。

Comments 6 pages, 1 figures, 8 tables

RCGDet3D: Rethinking 4D Radar-Camera Fusion-based 3D Object Detection with Enhanced Radar Feature Encoding

RCGDet3D: 重新思考基于增强雷达特征编码的4D雷达-相机融合3D目标检测

Weiyi Xiong, Bing Zhu

机构 * School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院） 纠错

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

AI总结 本文提出RCGDet3D，通过增强雷达特征编码而非复杂的多模态融合策略，实现了在3D目标检测中更高的准确性和实时性，为实时部署设定了新标准。

R-C-P Method: An Autonomous Volume Calculation Method Using Image Processing and Machine Vision

R-C-P方法：一种利用图像处理和机器视觉的自主体积计算方法

MA Muktadir, Sydney Parker, Sun Yi

专题命中 感知 ：LiDAR(abstract,abstract_cn)；self-driving(abstract)；分类 cs.CV

AI总结 本文提出R-C-P方法，通过二维相机实时测量矩形物体尺寸，利用图像处理和边缘检测实现自主体积计算，提供表面面积和不连续边缘的检测。

Journal ref Communications in Computer and Information Science, vol. 2939, Springer, Cham (2026)

CARD: A Multi-Modal Automotive Dataset for Dense 3D Reconstruction in Challenging Road Topography

CARD: 一种用于复杂道路地形密集3D重建的多模态汽车数据集

Gasser Elazab, Frank Neuhaus, Tilman Koß, Malte Splietker, Aditya Date, Michael Unterreiner, Maximilian Jansen, Olaf Hellwich

机构 * CARIAD SE（CARIAD公司） ； Technische Universität Berlin（柏林技术大学） ； Vision & Robotics GmbH（视觉与机器人技术有限公司） 纠错

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

AI总结 CARD数据集通过提供连续序列中的近密3D地面真实信息，解决了现有数据集在复杂道路地形下深度估计和补全的不足，支持更精确的几何和感知任务评估。

Comments Accepted at CVPR 2026 (Highlight). Project page: https://card.content.cariad.digital

Fast and Efficient Transformer-based Method for Bird's Eye View Instance Prediction

快速且高效的基于变换器的鸟瞰图实例预测方法

Miguel Antunes-García, Luis M. Bergasa, Santiago Montiel-Marín, Rafael Barea, Fabio Sánchez-García, Ángel Llamazares

机构 * Universidad of Alcalá (UAH)（阿尔卡拉大学） 纠错

专题命中 感知 ：self-driving(abstract)；BEV(abstract)；occupancy(abstract)；分类 cs.CV

AI总结 本文提出一种基于简化范式的高效鸟瞰图实例预测架构，通过使用实例分割和流预测来提升速度和效率，减少参数数量和推理时间。

Comments The article has been presented in the 27th IEEE International Conference on Intelligent Transportation Systems (IEEE ITSC 2024) on September, 2024. Number of pages: 6, Number of figures: 4

Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues

通过学习的时空线索在拥挤室内场景中实现鲁棒的动态物体检测

Juan Rached, Yixuan Jia, Kota Kondo, Jonathan P. How

机构 * Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院） ； Department of Electrical Engineering, Wright State University（怀特塞德大学电子工程系） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 感知 ：BEV(abstract)；LiDAR(abstract)；occupancy(abstract)；分类 cs.RO

AI总结 本文提出一种仅依赖LiDAR的框架，结合时间占用网格运动分割与学习的鸟瞰图动态先验，提升动态物体检测的鲁棒性，在拥挤环境中实现更高的召回率和F1分数。

RayD3D: Distilling Depth Knowledge Along the Ray for Robust Multi-View 3D Object Detection

RayD3D: 沿射线蒸馏深度知识以实现鲁棒的多视角3D目标检测

Rui Ding, Zhaonian Kuang, Zongwei Zhou, Meng Yang, Xinhu Zheng, Gang Hua

专题命中 感知 ：autonomous driving(abstract)；BEV(abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 RayD3D通过沿射线蒸馏深度知识，提升多视角3D目标检测的鲁棒性，无需增加计算成本。

Fusion4CA: Boosting 3D Object Detection via Comprehensive Image Exploitation

Fusion4CA: 通过全面利用图像信息提升3D目标检测

Kang Luo, Xin Chen, Yangyi Xiao, Hesheng Wang

机构 * IRMV Lab, the Department of Automation, Shanghai Jiao Tong University（IRMV实验室，自动化系，上海交通大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；BEV(abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 Fusion4CA通过全面利用图像信息提升3D目标检测性能，采用对比对齐模块和相机辅助分支，结合认知适配器和坐标注意力模块，在nuScenes数据集上实现69.7%的mAP。

Learning to Drive is a Free Gift: Large-Scale Label-Free Autonomy Pretraining from Unposed In-The-Wild Videos

学习驾驶是免费礼物：从未经处理的现实视频中进行大规模无标签自主性预训练

Matthew Strong, Wei-Jer Chang, Quentin Herau, Jiezhi Yang, Yihan Hu, Chensheng Peng, Wei Zhan

机构 * Applied Intuition ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

专题命中 感知 ：autonomous driving(abstract)；LiDAR(abstract)；driving perception(abstract)；分类 cs.CV

AI总结 本文提出一种无标签、教师引导的框架，通过未经处理的现实视频学习自动驾驶表示，无需姿态、标签或LiDAR，实现高效的自动驾驶感知和规划。

Comments Accepted at CVPR 2026

Easy-Poly: An Easy Polyhedral Framework For 3D Multi-Object Tracking

Easy-Poly: 一种易于使用的多目标跟踪三维多目标跟踪框架

Peng Zhang, Xin Li, Xin Lin, Liang He

机构 * East China Normal University（东华师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 感知 ：autonomous driving(abstract)；LiDAR(abstract)；driving perception(abstract)；分类 cs.CV

AI总结 Easy-Poly提出了一种基于过滤的三维多目标跟踪框架，通过四个创新方法提升小目标检测和跟踪精度，实现实时高性能表现。

Comments 8 pages, 4 figures, 6 tables

MambaFusion: Adaptive State-Space Fusion for Multimodal 3D Object Detection

MambaFusion：多模态3D目标检测的自适应状态空间融合

Venkatraman Narayanan, Bala Sai, Rahul Ahuja, Pratik Likhar, Varun Ravi Kumar, Senthil Yogamani

机构 * Qualcomm Technologies, Inc（高通技术公司） ； Qualcomm India Private Limited（高通印度私人有限公司） 纠错

专题命中 感知 ：autonomous driving(abstract)；BEV(abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 MambaFusion通过结合选择性状态空间模型与窗口化变换器，实现高效且可靠的多模态3D目标检测，提升自动驾驶系统的感知能力。

AsyncBEV: Cross-modal Flow Alignment in Asynchronous 3D Object Detection

AsyncBEV: 无感异步3D目标检测中的跨模态流对齐

Shiming Wang, Holger Caesar, Liangliang Nan, Julian F. P. Kooij

专题命中 感知 ：autonomous driving(abstract)；BEV(abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 AsyncBEV通过跨模态流对齐提升3D目标检测在传感器异步情况下的鲁棒性，尤其在动态物体识别中表现优异。

TopoBDA: Towards Bezier Deformable Attention for Road Topology Understanding

TopoBDA: 向贝塞尔可变形注意力迈进：道路拓扑理解

Muhammet Esat Kalfaoglu, Halil Ibrahim Ozturk, Ozsel Kilinc, Alptekin Temizel

机构 * Graduate School of Informatics, Middle East Technical University（信息学院，中东部技术大学） ； Togg/Trutek AI Team（Togg/Trutek人工智能团队） 纠错

专题命中 感知 ：autonomous driving(abstract)；BEV(abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 TopoBDA通过贝塞尔可变形注意力提升道路拓扑理解，结合多模态数据增强性能。

Comments Project page: https://artest08.github.io/TopoBDA.github.io/

Journal ref Neurocomputing, Vol. 670, 132360 (2026)

Towards 3D Object-Centric Feature Learning for Semantic Scene Completion

面向语义场景补全的3D物体感知特征学习

Weihua Wang, Yubo Cui, Xiangru Lin, Zhiheng Li, Zheng Fang

专题命中 感知 ：autonomous driving(abstract)；BEV(abstract)；occupancy(abstract)；分类 cs.CV

AI总结 本文提出Ocean框架，通过分解场景为独立物体实例，提升语义场景补全的精度和性能。

Comments Accepted to AAAI-2026

Towards Sensor Data Abstraction of Autonomous Vehicle Perception Systems

迈向自动驾驶感知系统的传感器数据抽象

Hannes Reichert, Lukas Lang, Kevin Rösch, Daniel Bogdoll, Konrad Doll, Bernhard Sick, Hans-Christian Reuss, Christoph Stiller, J. Marius Zöllner

机构 * University of Kassel, Germany（卡塞尔大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；LiDAR(abstract)；driving perception(abstract)；分类 cs.RO

AI总结 本文提出通过传感器数据抽象提升自动驾驶感知系统在不同传感器设置下的迁移能力。

Comments Hannes Reichert, Lukas Lang, Kevin Rösch and Daniel Bogdoll contributed equally. Accepted for publication at ISC2 2021