自动驾驶

PERTINENCE: Input-based Opportunistic Neural Network Dynamic Execution

PERTINENCE: 基于输入的动态神经网络执行

Omkar Shende, Gayathri Ananthanarayanan, Marcello Traiola

机构 * Department of Computer Science and Engineering, Indian Institute of Technology Dharwad, Karnataka, India（印度理工学院达沃德分校计算机科学与工程系） ； University of Rennes, CNRS, Inria, IRISA, Rennes, France（法国雷恩大学、CNRS、Inria、IRISA） 纠错

专题命中 端到端驾驶 ：occupancy(abstract)

AI总结 提出PERTINENCE运行时方法，通过ML调度器从预训练模型中选择最轻量模型处理每个输入，使用遗传算法优化精度与计算成本的帕累托前沿，在多个视觉任务上减少高达36%计算量且精度不变或提升。

Data-driven invariant set for nonlinear systems with application to command governors

非线性系统的数据驱动不变集及其在指令调节器中的应用

Ali Kashani, Claus Danielson

专题命中 端到端驾驶 ：autonomous driving(abstract)

AI总结 提出直接数据驱动方法合成未建模非线性系统的正不变集，用于设计约束满足的指令调节器，通过半定规划学习平方和类李雅普诺夫函数，并利用Lipschitz性质保证鲁棒性。

Journal ref Automatica, 172, 112010 (2005)

PROBE: Probabilistic Occupancy BEV Encoding with Analytical Translation Robustness for 3D Place Recognition

PROBE: 具有解析平移鲁棒性的概率占用BEV编码用于3D地点识别

Jinseop Lee, Byoungho Lee, Gichul Yoo

机构 * SK Intellix 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；LiDAR(summary_cn,abstract)；occupancy(title,abstract)；分类 cs.RO、cs.CV

AI总结 提出无学习的LiDAR地点描述符PROBE，通过极坐标雅可比解析边缘化连续平移，实现距离自适应角度不确定性，在跨传感器泛化中取得高精度。

Comments 8 pages, 8 figures. Accepted for publication in IEEE Robotics and Automation Letters (RA-L). (c) 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses

HierDAMap: Towards Universal Domain Adaptive BEV Mapping via Hierarchical Perspective Priors

HierDAMap：面向分层视角先验的通用域自适应鸟瞰图（BEV）建图

Siyu Li, Yihong Cao, Hao Shi, Yongsheng Zang, Xuan He, Kailun Yang, Zhiyong Li

专题命中 BEV与占用 ：BEV(title,title_cn)；autonomous driving(abstract)；分类 cs.RO、cs.CV、eess.IV

AI总结 针对BEV建图无监督域自适应研究有限的问题，提出含SGPS、DACL、CDFM组件的HierDAMap框架，通过三层视角先验实现通用BEV域自适应，还引入域内特征交换数据增强。

Comments Accepted to IEEE Transactions on Intelligent Transportation Systems (T-ITS). The source code will be made publicly available at this https URL (https://github.com/lynn-yu/HierDAMap)

Open-Vocabulary BEV Segmentation with 3D-Aware Geometric Constraints

开放词汇BEV分割：基于3D感知几何约束的方法

Hojun Choi, Seulbin Hwang, Daejung Kim, Kisung Kim, Hyunjung Shim, Jinhan Lee

机构 * KAIST AI（韩国科学技术院人工智能） ； NAVER LABS（NAVER实验室） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；autonomous driving(abstract)；分类 cs.CV

AI总结 针对开放词汇BEV分割中2D VLM语义到BEV的3D几何不一致问题，提出OVBEVSeg框架，通过三阶段几何约束（伪标签、场景优化、知识蒸馏）实现高效在线推理，在nuScenes上未见类别mIoU超越闭集方法15.3，推理速度提升2.5倍。

Comments This paper has been accepted to ECCV 2026

Learning Ego-Centric BEV Representations from a Perspective-Privileged View: Cross-View Supervision for Online HD Map Construction

从视角优先视角学习自主视角BEV表示：用于在线HD地图构建的跨视角监督

Daniel Lengerer, Mathias Pechinger, Klaus Bogenberger, Carsten Markgraf

机构 * Technical University of Applied Sciences Augsburg, Germany（应用技术大学阿格堡学院，德国） ； Technical University of Munich, Germany（慕尼黑技术大学，德国） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；分类 cs.CV

AI总结 本文提出跨视角监督方法，通过将几何和拓扑先验从视角优先的俯视视角转移到基于摄像头的BEV编码器，提升自主视角BEV表示的一致性，实验显示在nuScenes数据集上取得显著提升。

Comments Accepted at the European Conference on Computer Vision (ECCV) 2026

Dexterity-BEV: Aligning 3D World and Actions for Generalizable Robot Policies Learning

Dexterity-BEV: 对齐3D世界与动作以实现通用机器人策略学习

Huayi Zhou, Wei Gao, Dekun Lu, Ruiji Liu, Zhanqi Zhang, Ziyang Zhang, Jian Chen, Wenlve Zhou, Sheng Xu, Shumin Li, Kangyi Guo, Shichen Xu, Zixin Huang, Yongyi Su, Kui Jia

机构 * DexForce Technology（德克斯技术公司） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；分类 cs.RO

AI总结 提出Dexterity-BEV框架，通过对齐顶点图和顶点谱的3D表示以及鸟瞰图对齐，解决2D基础模型在3D操作中的局限性，提升机器人策略的泛化能力。

Comments under review

LightOcc: Lightweight Spatial Embedding for Efficient Vision-based 3D Occupancy Prediction

LightOcc: 用于高效基于视觉的3D占用预测的轻量级空间嵌入

Jinqing Zhang, Yanan Zhang, Wenrui Cai, Qingjie Liu, Yunhong Wang

机构 * State Key Laboratory of Virtual Reality Technology and Systems（虚拟现实技术与系统国家重点实验室） ； Beihang University（北京航空航天大学） ； School of Computer Science and Information Engineering（计算机科学与信息工程学院） ； Hefei University of Technology（合肥工业大学） ； Hangzhou Innovation Institute（杭州创新研究院） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；BEV(abstract,abstract_cn)；分类 cs.CV

AI总结 针对现有占用预测方法使用体素特征导致计算和内存开销大的问题，提出轻量级空间嵌入（Lightweight Spatial Embedding），通过单通道占用和空间到通道机制压缩高度信息，结合跨视图交互和边缘感知嵌入，在多个基准上实现最先进性能并显著提升效率。

Comments Accepted by International Journal of Computer Vision (IJCV), 2026

An interactive enhanced driving dataset for autonomous driving

一种交互增强的自动驾驶数据集

Haojie Feng, Xinrui Zhang, Mengjie Tian, Peizhi Zhang, Zhuoren Li, Junpeng Huang, Xiurong Wang, Junfan Zhu, Jianzhou Wang, Dongxiao Yin, Lu Xiong

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

AI总结 本文提出交互增强驾驶数据集，通过生成合成视频实现多模态对齐，用于评估和优化自动驾驶模型的推理能力。

Comments Accepted for publication in Scientific Data

Unsupervised Behavioral Compression: Learning Low-Dimensional Policy Manifolds through State-Occupancy Matching

无监督行为压缩：通过状态占用匹配学习低维策略流形

Andrea Fraschini, Davide Tenedini, Riccardo Zamboni, Mirco Mutti, Marcello Restelli

专题命中 BEV与占用 ：occupancy(title,summary_cn)；分类 cs.AI

AI总结 本文提出Occupancy-based Policy Compression方法，通过改进策略压缩框架，以长周期状态空间覆盖替代即时动作匹配，提升行为表示的鲁棒性和泛化能力。

Comments RLC 2026 camera-ready version

Panoramic Multimodal Semantic Occupancy Prediction for Quadruped Robots

四足机器人全景多模态语义占用预测

Guoqiang Zhao, Zhe Yang, Sheng Wu, Fei Teng, Mengfei Duan, Yuanfan Zheng, Kai Luo, Kailun Yang

机构 * School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.CV、eess.IV

AI总结 本文提出PanoMMOcc数据集和VoxelHound框架，通过垂直抖动补偿和多模态信息融合提升四足机器人全景多模态3D感知性能。

Comments The dataset and code will be publicly released at https://github.com/SXDR/PanoMMOcc

VG3S: Visual Geometry Grounded Gaussian Splatting for Semantic Occupancy Prediction

VG3S：基于视觉几何的高斯散射用于语义占用预测

Xiaoyang Yan, Muleilan Pei, Shaojie Shen

机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 VG3S 通过引入视觉基础模型的几何 grounding 能力，提升语义占用预测的准确性与泛化能力。

Comments Accepted by IROS 2026

RadarGen: Automotive Radar Point Cloud Generation from Cameras

RadarGen：从摄像头生成汽车雷达点云

Tomer Borreda, Fangqiang Ding, Sanja Fidler, Shengyu Huang, Or Litany

机构 * Technion（技术学院） ； MIT（麻省理工学院） ； NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 RadarGen通过扩散模型从摄像头图像生成逼真的雷达点云，结合BEV对齐的深度、语义和运动线索，提升雷达生成的物理合理性与多模态模拟能力。

Comments ECCV 2026. Project page: https://radargen.github.io/

BEVLM: Distilling Semantic Knowledge from LLMs into Bird's-Eye View Representations

BEVLM：将语言模型中的语义知识提炼到鸟瞰视图表示中

Thomas Monninger, Shaoyuan Xie, Qi Alfred Chen, Sihao Ding

机构 * Mercedes-Benz Research & Development North America（梅赛德斯-奔驰研发北美研究所） ； University of California, Irvine（加州大学伊尔弗分校） 纠错

专题命中 BEV与占用 ：BEV(abstract,abstract_cn)；autonomous driving(abstract)；end-to-end driving(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 研究将大语言模型集成到自动驾驶，针对现有方法冗余计算、空间一致性受限等问题，提出BEVLM框架，连接鸟瞰视图表示与大语言模型，能有效提升跨视图驾驶场景推理准确性及端到端驾驶性能。

Comments Accepted to the 2026 European Conference on Computer Vision (ECCV 2026)

GaussianSeed: Hierarchical Gaussian Seeding for High-Resolution 3D Occupancy Prediction

高斯种子：用于高分辨率3D占用预测的分层高斯播种

Xinzhuo Li, Xianghui Pan, Jiayuan Du, Wei Wei, Liuyi Wang, Chengju Liu, Qijun Chen

专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV

AI总结 针对现有3D占用预测方法难以扩展到高体素分辨率的问题，提出高斯种子框架，通过分层设计规避内存瓶颈，构建TJScenes数据集，实验表明该方法在保持高精度的同时具有最低延迟，推动了高分辨率3D占用预测的效率-质量前沿。

O3N: Omnidirectional Open-Vocabulary Occupancy Prediction for Urban Autonomous Agents

O3N: 全向开放词汇占用预测

Mengfei Duan, Hao Shi, Fei Teng, Guoqiang Zhao, Yuheng Zhang, Zhiyong Li, Kailun Yang

机构 * Hunan University（湖南大学） ； Zhejiang University（浙江大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.RO、cs.CV、eess.IV

AI总结 O3N通过全向感知和开放词汇方法，实现三维空间的连续表示和长距离上下文建模，提升具身智能在开放世界中的感知与建模能力。

Comments The source code will be made publicly available at https://github.com/MengfeiD/O3N

Can we Trust Unreliable Voxels? Exploring 3D Semantic Occupancy Prediction under Label Noise

我们能信任不可靠的体素吗？在标签噪声下的3D语义占用预测探索

Wenxin Li, Kunyu Peng, Di Wen, Junwei Zheng, Jiale Wei, Mengfei Duan, Yuheng Zhang, Rui Fan, Kailun Yang

机构 * School of Artificial Intelligence and Robotics（人工智能与机器人学院） ； National Engineering Research Center of Robot Visual Perception and Control Technology（机器人视觉感知与控制技术国家工程研究中心） ； Institute for Anthropomatics and Robotics（人机一体化与机器人研究所） ； Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学） ； INSAIT ； College of Electronic and Information Engineering（电子与信息学院） ； Shanghai Institute of Intelligent Science and Technology（智能科学与技术上海研究院） ； Shanghai Research Institute for Intelligent Autonomous Systems（智能自主系统上海研究院） ； Shanghai Key Laboratory of Intelligent Autonomous Systems（智能自主系统上海重点实验室） ； State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室） ； Frontiers Science Center for Intelligent Autonomous Systems（智能自主系统前沿科学中心） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.RO、cs.CV、eess.IV

AI总结 本文提出DPR-Occ框架，通过双源部分标签推理解决3D语义占用预测中的标签噪声问题，实验表明其在高噪声环境下仍能保持性能。

Comments Accepted to IROS 2026. The benchmark and source code will be made publicly available at https://github.com/mylwx/OccNL

OccAnyScene: Towards Unified Indoor-Outdoor 3D Occupancy Prediction

OccAnyScene：面向统一的室内-室外三维占用预测

Junjie Liu, Wanshui Gan, Zitong Dai, Guiping Cao, Yan Li, Ke Chen, Dongmei Jiang, Xiangyuan Lan, Jianguo Zhang

机构 * SuSTech（南方科技大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； HITSZ（哈尔滨工业大学深圳校区） ； Pengcheng Laboratory（鹏城实验室） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 该研究提出跨场景三维语义占用预测新任务，构建OccAnyScene框架实现室内外场景统一三维占用预测，在Occ-ScanNet和SurroundOcc-nuScenes数据集上取得最优mIoU结果。

Comments Corrected a typo in the title; manuscript unchanged

YouTube-Occ: Learning Indoor 3D Semantic Occupancy Prediction from YouTube Videos

YouTube-Occ：从YouTube视频学习室内3D语义占据预测

Haoming Chen, Lichen Yuan, TianFang Sun, Jingyu Gong, Xin Tan, Zhizhong Zhang, Yanyun Qu, Yuan Xie

机构 * East China Normal University（华东师范大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 针对室内3D语义占据预测数据稀缺的问题，提出YouTube-Occ框架，通过自动化数据流水线与双对齐预训练策略，在NYUv2等基准上实现性能提升，代码数据将公开。

Comments Accepted by ECCV 2026

OGM-CBF: Occupancy Grid Map-based Control Barrier Function for Safe Mobile Robot Control with Memory of out of View Obstacles

OGM-CBF：基于占用网格地图的控制屏障函数用于具有视 out of View 障碍物记忆的移动机器人安全控制

Golnaz Raja, Miloš Prágr, Topi Reino Johannes Kärki, Teemu Mökkönen, Reza Ghabcheloo

机构 * Faculty of Engineering and Natural Sciences, Tampere University（坦佩雷大学工程与自然科学学院） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.RO

AI总结 本文提出OGM-CBF方法，结合占用网格地图与控制屏障函数，解决移动机器人在未知环境中对已离开视野的障碍物记忆问题，提升安全性。

Comments Submitted to IROS 2026

OSCAR: Occupancy-based Shape Completion via Acoustic Neural Implicit Representations

OSCAR: 基于占用率的声学神经隐式表示形状补全

Magdalena Wysocki, Kadir Burak Buldu, Miruna-Alexandra Gafencu, Mohammad Farid Azampour, Nassir Navab

机构 * Chair for Computer Aided Medical Procedures (CAMP) Technical University of Munich（慕尼黑工业大学计算机辅助医疗程序教席（CAMP）） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； Konrad Zuse School of Excellence in Reliable AI (relAI)（康拉德·楚泽可靠人工智能卓越学校（relAI）） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 提出基于占用率的形状补全方法，利用声学神经隐式表示从部分超声观测中重建完整3D解剖结构，无需标签，在HD95指标上优于现有方法80%。

Streaming Dense Voxel Representations for 3D Occupancy Prediction

用于3D占用预测的流式密集体素表示

Seokha Moon, Janghyun Baek, Yujin Jeong, Daewon Chae, Giseop Kim, Jungbeom Lee, Jinkyu Kim, Sunwook Choi

机构 * 1 Korea University 2 TU Darmstadt \& hessian.AI 3 University of Michigan 4 DGIST 5 NAVER LABS 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 提出StreamOcc框架，通过两种聚合策略解决密集体素流式处理中的扭曲和动态对象退化问题，在实时约束下实现SOTA性能。

Comments Accepted at ECCV 2026

OccAny: Generalized Unconstrained Urban 3D Occupancy

OccAny: 广义无约束城市3D占据预测

Anh-Quan Cao, Tuan-Hung Vu

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 提出首个广义无约束城市3D占据模型OccAny，通过分割强制和新视图渲染技术，在无标定场景下实现度量占据预测与分割特征完成，跨域泛化优于视觉几何基线。

Comments Accepted to CVPR 2026. Project page: https://valeoai.github.io/OccAny/

Fitted Occupancy-Ratio Evaluation without Bellman Completeness

无需贝尔曼完备性的拟合占用比评估

Lars van der Laan, Nathan Kallus

机构 * Stanford University（斯坦福大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)

AI总结 针对离线强化学习分布偏移下的离策略评估问题，提出拟合占用比评估方法FORE，通过伴随贝尔曼递归估计占用比，仅需占用比可实现性，无需贝尔曼完备性等条件，保障离线策略评估收敛性。

Evaluating multi-season occupancy models with autocorrelation fitted to heterogeneous datasets

评估拟合异构数据集的具有自相关的多季节占用模型

André Luís Luza, Didier Alard, Frédéric Barraquand

专题命中 BEV与占用 ：occupancy(title,abstract)

AI总结 研究受异构蝴蝶占用数据集启发，评估含时空随机效应的多季节占用模型，发现其对异构数据和协变量重叠有鲁棒性，但存在可识别性问题，受数据间隙挑战，即使数据丰富地区也受影响。

Accelerating Structure-Property Relationship Discovery with Multimodal Machine Learning and Self-Driving Microscopy

利用多模态机器学习和自驱动显微镜加速结构-性能关系发现

Jiawei Gong, Danqing Ma, Ralph Bulanadi, Robert Moore, Rama Vasudevan, Lianfeng Zhao, Yongtao Liu

专题命中 BEV与占用 ：self-driving(title,abstract)

AI总结 提出结合自主显微镜与双新颖深度核学习及双变分自编码器的框架，用于高效采集光谱数据并构建结构-性能关系图，应用于钙钛矿薄膜揭示了纳米结构特征与迟滞行为的关联。

Comments 20 pages, 6 figures

MapDream: Task-Driven Map Learning for Vision-Language Navigation

MapDream: 面向视觉-语言导航的任务驱动地图学习

Guoxin Lian, Shuo Wang, Yucheng Wang, Yongcai Wang, Maiyue Chen, Kaihui Wang, Bo Zhang, Zhizhong Su, Deying Li, Zhaoxin Fan

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 BEV与占用 ：BEV(abstract,abstract_cn)；分类 cs.RO、cs.CV、cs.AI

AI总结 提出MapDream框架，通过自回归鸟瞰图生成联合学习地图与动作预测，在R2R-CE和RxR-CE上达到单目最优性能。

RoadBench: Benchmarking MLLMs on Fine-Grained Spatial Understanding and Reasoning under Urban Road Scenarios

RoadBench: 在城市道路场景下对多模态大语言模型进行细粒度空间理解与推理的基准测试

Jun Zhang, Xin Zhang, Jie Feng, Long Chen, Junhui Wang, Zhicheng Liu, Depeng Jin, Yong Li

机构 * Department of Electronic Engineering, BNRist, Tsinghua University（清华大学电子工程系、北京信息科学与技术国家研究中心） ； Zhongguancun Academy（中关村学院） ； Amap, Alibaba Group（阿里巴巴集团高德地图） 纠错

专题命中 BEV与占用 ：BEV(abstract,abstract_cn)；分类 cs.CV

AI总结 针对城市复杂场景中多模态大语言模型在细粒度空间理解与推理能力上的不足，提出RoadBench基准，包含8个任务、3040个测试用例，通过鸟瞰图和第一人称视角图像评估模型性能，揭示现有模型在此类任务上的显著缺陷。

Comments Accepted by ECCV 2026, the code and data are publicly available at: https://github.com/tsinghua-fib-lab/RoadBench

Dual-Force: Enhanced Offline Diversity Maximization under Imitation Constraints

Dual-Force：模仿约束下的增强型离线多样性最大化算法

Pavel Kolev, Marin Vlastelica, Georg Martius

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.RO、cs.AI

AI总结 Dual-Force是一种离线算法，通过后继特征的VdW力目标和功能奖励编码，实现模仿约束下的多样化行为策略学习，在Solo12仿真任务中提升了性能与鲁棒性。

Multi-Turn On-Policy Distillation with Prefix Replay

基于前缀重放的多轮在线策略蒸馏

Baohao Liao, Hanze Dong, Christof Monz, Xinxing Xu, Li Dong, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

专题命中 BEV与占用 ：occupancy(abstract)；分类 cs.AI

AI总结 研究用于智能体任务的在线策略蒸馏，提出重放前缀在线策略蒸馏方法，复用预收集教师轨迹作重放前缀，解决多轮在线策略蒸馏的前缀陷阱问题，提高效率且保持或提升精度。