自动驾驶

Camera and LiDAR BEV Fusion for Cooperative 3D Object Detection on TUMTraf V2X

用于TUMTraf V2X协同3D目标检测的相机与LiDAR BEV融合

Muhammad Shahbaz, Shaurya Agarwal

机构 * Department of Civil, Environmental and Construction Engineering, University of Central Florida（中佛罗里达大学土木、环境与建筑工程系） 纠错

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

AI总结 提出一种融合路边相机与基础设施-车辆点云的BEV空间检测器，采用CenterPoint风格头部和IoU重排序，在DriveX 2026挑战赛公开测试集上达到0.85 mAP，并分析了训练/验证与测试集重叠对分数的影响。

MoRAL: Sensor-Grounded BEV Reasoning for Compact VLMs toward Edge-Oriented Autonomous Driving

MoRAL：面向边缘自动驾驶的紧凑型视觉语言模型的传感器接地鸟瞰图推理

Ambarish Govindarajulu Kaliamurthi, Kaikai Liu

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

AI总结 MoRAL是一种两阶段微调流水线，指导Cosmos-Reason2-2B基于物理编码的BEV表示进行驾驶决策，在参数仅为零样本基准四分之一的情况下，在8类驾驶问题中7类胜出，紧急制动召回率提升至47.8%，可在消费级8GB GPU高效运行。

Comments 7 pages, 5 figures, 6 tables. Accepted to the 14th IEEE International Conference on Intelligent Mobile Computing (IEEE IMC 2026), Fukuoka, Japan, July 27-30, 2026

FlashBEV: Fast and Memory-Efficient Exact BEV Transformation with IO-Awareness

FlashBEV：具有I/O感知的快速且内存高效的精确BEV变换

Shunsuke Yokokawa, Hironori Kasahara

机构 * Waseda University（早稻田大学） ； T2, Inc.（T2公司） 纠错

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

AI总结 研究自动驾驶中BEV感知的视图变换问题，提出FlashBEV执行策略，通过重新设计执行方式，使其在数学上等同于Tensorized Sampling-VT，减少内存流量和开销，降低峰值GPU内存，加速推理延迟，突破可扩展性障碍。

Comments Accepted to ECCV 2026

Semantic Occupancy Prediction with Dual Range-Voxel Representation

基于双范围-体素表示的语义占用预测

Sitao Chen, Zhuangwei Zhuang, Hui Luo, Lizhao Liu, Qingyao Wu, Mingkui Tan

机构 * School of Software Engineering, South China University of Technology（华南理工大学软件学院） ； State Key Laboratory of Optical Field Manipulation Science and Technology, Institute of Optics and Electronics, CAS（中国科学院光电技术研究所光学场操控科学与技术国家重点实验室） 纠错

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

AI总结 提出双范围-体素表示（DRVR），利用单扫描点云的范围视图和体素视图几何信息进行3D语义占用预测，避免多扫描带来的计算和鲁棒性问题，在nuScenes-Occupancy上mIoU提升5.4%，速度提升2.1倍。

GraphBEV++: Multi-Modal Feature Alignment for Autonomous Driving

GraphBEV++: 自动驾驶中的多模态特征对齐

Ziying Song, Caiyan Jia, Lin Liu, Shaoqing Xu, Lei Yang, Yadan Luo

机构 * Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院，交通数据挖掘与具身智能北京市重点实验室） ； School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； University of Macau（澳门大学） ； Nanyang Technological University（南洋理工大学） ； The University of Queensland（昆士兰大学） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(title,abstract)；LiDAR(abstract)；occupancy(abstract)

AI总结 针对自动驾驶中BEV感知的特征未对齐问题，提出GraphBEV++框架，通过局部对齐（LocalAlign-v2）和全局对齐（GlobalAlign-v2）模块，利用图匹配、可变形偏移和扩散去噪方法，在多种基准上实现最优性能。

Comments 30 pages, 7 figures

BEV-Denoise: Learning Intrinsic Noise for Accurate Bird's-Eye-View Semantic Segmentation

BEV-Denoise：学习内在噪声以实现精确的鸟瞰图语义分割

Dooseop Choi, Kyounghwan An, Kyoung-Wook Min

机构 * Electronics and Telecommunications Research Institute (ETRI)（韩国电子通信研究院） ； University of Science and Technology (UST)（科学技术联合大学院大学） 纠错

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

AI总结 提出BEV-Denoise框架，利用UNet噪声估计模块从鸟瞰图特征中去除内在噪声，通过任务分解学习范式训练，提升多种视图变换模型的语义分割精度。

NCGR: Noise-Conditional Gated Rectification for Camera Extrinsic Perturbations in BEV 3D Object Detection

NCGR：面向BEV 3D目标检测中相机外参扰动的噪声条件门控校正

Wenbin Pan, Wanhao Liu, Liwei Luo, Panshuo Li, Yong Xu, Renquan Lu

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

AI总结 针对BEV 3D检测中相机外参扰动导致的性能下降，本文提出NCGR方法，通过预测2D校正偏移补偿投影误差，在nuScenes数据集上的五相机动态压力测试中表现优于BEVFormer和CAPE。

Comments 21 pages, including supplementary material

EditSSC: Toward Editable Semantic Occupancy Scenes with Unconditional Diffusion Models

EditSSC: 基于无条件扩散模型的可编辑语义占用场景

Fatima Balde, Raoul de Charette, Alexandre Boulch

机构 * Inria（法国国家信息与自动化研究所） ； Valeo.ai（法雷奥人工智能实验室） 纠错

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

AI总结 提出EditSSC方法，利用2D BEV表示和现成潜扩散网络实现3D语义场景生成与免训练编辑，在SemanticKITTI上优于现有3D专用基线。

Comments Accepted at CVPR 2026 Workshop

FPSGen: Flexible Point Cloud Scene Generation with BEV-Supported Transport Flows

FPSGen：基于鸟瞰图支持的传输流的灵活点云场景生成

Wenzhe He, Meng Wang, JiaWei Qian, Jinfeng Xu, Ying Liu, Ruihui Li

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

AI总结 FPSGen是一种不依赖部分扫描结果的灵活点云场景生成框架，通过BEV先验构建点源与路径拉直传输方案，在SemanticKITTI补全和KITTI-360无条件生成任务上达到先进性能。

Comments 34 pages, 16 figures

Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving

意图、反思、优化：一种用于自动驾驶的自适应多模态反思框架

Zisheng Chen, Yuping Qiu, Jianhua Han, Tao Tang, Xiuwei Chen, Likui Zhang, Ying-Cong Chen, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； HKUST(GZ)（香港科技大学（广州）） ； Yinwang Intelligent Technology Co. Ltd.（引望智能科技有限公司） 纠错

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

AI总结 提出IRR-Drive框架，通过生成初步文本意图并预测未来语义BEV表示，构建双模态反思空间，实现自适应轨迹修正，在NAVSIM基准上达到最优性能。

Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving

增强自动驾驶中全天候自监督深度估计的鲁棒性

Mengshi Qi, Xiaoyang Bi, Xianlin Zhang, Huadong Ma

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 研究自动驾驶中全天候自监督深度估计问题，提出用多教师蒸馏和鲁棒雷达融合的自训练管道，包括不确定性感知多教师蒸馏及POV-BEV雷达融合方法，经实验验证该方法具鲁棒性且性能达最优。

TGRIP: A Text-Guided Approach to Vehicle Instance Prediction in Autonomous Driving

TGRIP：一种用于自动驾驶中车辆实例预测的文本引导方法

Miguel Antunes-García, Santiago Montiel-Marín, Fabio Sánchez-García, Rodrigo Gutiérrez-Moreno, Rafael Barea, Luis M. Bergasa

机构 * Electronics Department, University of Alcalá (UAH)（阿尔卡拉大学（UAH）电子系） 纠错

专题命中 BEV与占用 ：autonomous driving(title,abstract)；BEV(abstract,abstract_cn)；occupancy(abstract)；driving perception(abstract)

AI总结 研究自动驾驶中鸟瞰图实例预测问题，提出TGRIP框架，利用视觉语言基础模型生成语义增强地图作辅助监督，使网络学习时空表征，提升预测能力。

Comments 11 pages, 5 figures

AerialFusionMapNet: Online HD Map Construction with Aerial-Onboard BEV Fusion

AerialFusionMapNet: 基于航拍-车载BEV融合的在线高清地图构建

Daniel Lengerer, Mathias Pechinger, Klaus Bogenberger, Carsten Markgraf

机构 * Technical University of Applied Sciences Augsburg（奥格斯堡应用技术大学） ； Technical University of Munich（慕尼黑工业大学） 纠错

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

AI总结 提出AerialFusionMapNet，通过结构化两阶段训练策略有效融合航拍与车载传感器特征，在nuScenes数据集上mAP达54.7，相比基线提升12.1%。

Comments Accepted at the IEEE International Conference on Intelligent Transportation Systems (ITSC) 2026

SparseOcc++: Geometry-Aware Sparse Latent Representation for Semantic Occupancy Prediction

SparseOcc++：用于语义占用预测的几何感知稀疏潜在表示

Pin Tang, Zhongdao Wang, Guoqing Wang, Xiangxuan Ren, Chao Ma

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（教育部人工智能重点实验室，上海交通大学人工智能研究院） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

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

AI总结 研究针对基于视觉的3D语义占用预测，提出SparseOcc++框架，通过场景完成场将场景完成与语义分割解耦，用新方法建模复杂户外几何，实验表明其提升了IoU且速度更快。

DriveStack-VLA: Render-Teacher Alignment for BEV-Based DeepStack Vision-Language-Action Model

DriveStack-VLA: 基于BEV的DeepStack视觉-语言-动作模型的渲染-教师对齐

Jingke Wang, Zhenru Zhao, Shuangming Lei, Hao Su, Yuehao Huang, Yijia Xie, Kai Tang, Guanglin Xu, AiXue Ye, Yukai Ma, Yong Liu

机构 * Zhejiang University（浙江大学） ； The 2012 Labs, Huawei（华为2012实验室） 纠错

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

AI总结 提出DriveStack-VLA框架，通过DeepStack连接注入BEV表示并采用渲染-教师对齐增强空间感知，引入自批评模块优化轨迹选择，在多个驾驶基准上取得领先性能。

Shared Voxel-Map-Based Cooperative Indoor UAV Guidance with a Multi-Agent Soft Actor-Critic Controller

基于共享体素地图的多智能体软演员-评论家控制器协同室内无人机导航

Thomas Hickling, Dylan Wynne, Yu Su, Nabil Aouf

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

AI总结 研究室内无人机协同导航问题，提出结合共享体素地图与多智能体软演员-评论家控制器的框架，多无人机融合LiDAR观测构建地图并提供给各智能体，模拟中控制器成功率达90.3%，经微调后在现实实验中实现稳定协同操作，证明该地图表示有效且可扩展。

Comments 11 pages, 17 figures

GaussianMap: Learning Gaussian Representation for Multi-Sensor Online HD Map Construction

GaussianMap: 学习高斯表示用于多传感器在线高清地图构建

Hongyu Lyu, Julie Stephany Berrio Perez, Mao Shan, Stewart Worrall

机构 * The University of Sydney, Australian Centre for Robotics（悉尼大学澳大利亚机器人中心） ； The University of Queensland（昆士兰大学） 纠错

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

AI总结 提出GaussianMap框架，利用自适应高斯表示代替固定分辨率BEV网格，通过高斯编码器与多传感器融合，实现高效在线高清地图构建，在nuScenes和Argoverse 2上达到SOTA。

SceneMiner: Identity-Preserving Multi-Task Fine-Tuning for Unified BEV Scene Mining

SceneMiner: 保持身份的多任务微调用于统一BEV场景挖掘

Abdalmalek Aburaddaha, Venkatraman Narayanan, Keval Thaker, Samir A. Rawashdeh

机构 * University of Michigan-Dearborn（密歇根大学迪尔伯恩分校） 纠错

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

AI总结 提出SceneMiner，一种统一的仅相机鸟瞰图管道，通过冻结视觉语言骨干网络在单次前向传播中发出互补的挖掘信号，并发现跨任务干扰问题，通过零初始化新子模块和冻结共享流参数的身份保持多任务微调解决。

OmniDrive: An LLM-Choreographed Multi-Agent World Model with Unified Latent Co-Compression for Multi-View Driving Video Generation

OmniDrive: 一种由LLM编排的多智能体世界模型，用于多视角驾驶视频生成的统一潜在协同压缩

Zijie Meng, Yufei Liu, Chengqian Ma, Zhiyu Li, Jiyuan Liu, Wenhua Nie, Bingcai Wei, Shuqin Chen, Weichen Xu, Jiquan Yuan, Miao Zhang

机构 * Peking University（北京大学） ； Xiamen University（厦门大学） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； National Taiwan University（国立台湾大学） ； Wuhan University（武汉大学） ； Wuhan University of Technology（武汉理工大学） ； Tsinghua University（清华大学） ； Jimei University（集美大学） 纠错

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

AI总结 提出DRIVE-CHOREO，一种由LLM编排的多智能体世界模型，通过三个Qwen2.5-VL智能体协同生成位置感知的潜在序列，并利用视图-时间置换与3D VAE协同压缩，实现可控多视角视频生成，在nuScenes上达到SOTA多视角一致性和BEV mAP 21.6。

Comments 24 pages, 10 figures

Driver2Map: Imitating Human Driving for Online High-Definition Map Construction

Driver2Map：模仿人类驾驶的在线高清地图构建

Pan Yin, Runtian Xia, Weisong Kuang, Kaiyu Li, Cong Zhao, Xiangyong Cao

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

AI总结 该研究提出受人类驾驶启发的Driver2Map模型，可融合三种模态数据，通过两阶段对齐、姿态引导BEV融合等模块提升在线高清地图构建性能，在IoU和AP指标上优于现有方法。

VLN-AVP: Zero-Shot Vision-Language Navigation with Hybrid Long-Short-Term Memory for Autonomous Valet Parking

VLN-AVP：用于自动代客泊车的基于混合长短时记忆的零样本视觉语言导航

Yijian Li, Xiangru Mu, Changze Li, Hantian Shi, Jiyuan Cai, Jia Cai, Xiaoxue Liu, Yajing Sun, Ming Yang, Tong Qin

机构 * Shanghai Jiao Tong University（上海交通大学） ； Yinwang Intelligent Technology Co., Ltd.（银望智能科技有限公司） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(abstract)；分类 cs.RO

AI总结 研究针对自主代客泊车依赖预建地图限制可扩展性问题，提出VLN-AVP零样本导航框架，结合BEV模型与VLM，引入混合记忆系统，构建数据集和基准，实验证明该方法在模拟和实际车辆实验中均有良好效果，提升了成功率。

Humanoid-OmniOcc: Stereo-Based Full-View Occupancy Dataset for Embodied AI

Humanoid-OmniOcc：面向具身智能的立体全景占用数据集

Xianda Guo, Bohao Zhang, Chenwei Huang, Shiyuan Chen, Ruilin Wang, Yiqun Duan, Cong Yang, Qin Zou, Wei Sui

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； D-Robotics（地瓜机器人） ； Soochow University（苏州大学） ； UTS（悉尼科技大学） 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 针对现有占用数据集局限于自动驾驶场景的问题，提出面向人形机器人的大规模全景立体占用数据集Humanoid-OmniOcc，采用Real2Sim2Real闭环范式，并设计立体引导占用模型，在模拟和真实环境中均优于单目基线。

HRDX: A Large-Scale Vector HD-Map Dataset

HRDX：大规模矢量高清地图数据集

Sahith Reddy Chada, Isht Dwivedi, Nirav Savaliya

机构 * Honda Research Institute US（本田美国研究院） 纠错

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

AI总结 提出HRDX大规模矢量高清地图数据集，覆盖1400公里驾驶数据，含10类地图元素和20多种属性，并引入复合评分评估几何与属性准确性。

Comments https://usa.honda-ri.com/hrdx

GPOcc++: Unified Sparse Gaussian Occupancy Prediction with Visual Geometry Priors

GPOcc++：具有视觉几何先验的统一稀疏高斯占用预测

Changqing Zhou, Yueru Luo, Yulan Guo, Bing Wang, Jie Qin, Changhao Chen

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） 纠错

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

AI总结 研究针对3D场景理解中从视觉观察恢复完整体积表示的挑战，提出GPOcc++，它基于视觉几何先验，将其转换为占用感知的稀疏高斯表示，能在统一框架中处理多视图观察和时间序列，扩展到室外，实验证明其性能强、效率高且泛化能力好。

MVDGC: Joint 3D and 2D Multi-view Pedestrian Detection via Dual Geometric Constraints

MVDGC: 通过双重几何约束的联合3D和2D多视角行人检测

Thinh Phan, Hao Vo, Khoa Vo, Thanh Ngo, Cuong Pham, Ngan Le

机构 * University of Arkansas（阿肯色大学） ； University of Information Technology（信息技术大学） ； Posts and Telecommunications Institute of Technology (PTIT)（邮电技术学院） 纠错

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

AI总结 提出MVDGC框架，利用3D圆柱查询联合优化BEV平面定位和2D边界框，通过双重几何约束解决透视变换导致的特征畸变和密集区域定位模糊问题。

RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation

RoadWeaver：面向自动驾驶仿真的从零开始大规模车道级高清地图生成

Yueyuan Li, Zexi Chen, Weijie Xi, Mingyang Jiang, Songan Zhang, Hanyang Zhuang, Ming Yang

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

AI总结 该研究提出RoadWeaver框架，以由粗到细的方式从零生成大规模车道级高清地图，其性能优于现有最优方法，生成的地图可直接用于自动驾驶仿真。

Comments 8 pages, 6 figures, 2 tables

GEM-Occ: From Visual Geometry Evidence to Embodied Semantic Occupancy Memory

GEM-Occ：从视觉几何证据到具身语义占用记忆

Hu Zhu, Bohan Li, Xianda Guo, Hongsi Liu, Baorui Peng, Mingqi Yuan, Xin Jin, Wenjun Zeng, Chang Wen Chen

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Eastern Institute of Technology（东部理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； The University of Hong Kong（香港大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 研究针对现有室内占用基准和方法对长距离语义映射探索不足的问题，提出GEM-Occ框架，将局部视觉几何预测转化为语义高斯占用证据等并融合到持久分层记忆中，实验证明该框架在多方面优于现有基线。

Comments 19 pages, 6 figures. Project page: https://zhuhu00.top/GEM-Occ/

FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction

FLM-Occ: 前向似然最大化用于高效室内占据预测

Guangcheng Chen, Lihuang Fang, Huaqi Tao, Yicheng He, Li He, Hong Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (Shenzhen)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen Key Laboratory of Robotics and Computer Vision（深圳市机器人视觉与感知重点实验室） 纠错

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

AI总结 针对现有方法在空区域产生虚假基元的问题，提出前向似然最大化框架，将占据预测建模为体素分布估计，通过最大化真实占据体素的似然来训练网络，实现高效准确的室内占据预测。

Comments Accepted to ECCV 2026

Bayesian inference on beta diversity via feature allocation models with imperfect detection

基于含不完美检测的特征分配模型的贝塔多样性贝叶斯推断

Federica Stolf, Tommaso Rigon, David B. Dunson

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

AI总结 针对含不完美检测的物种出现数据，提出结合潜在特征分配模型与基于 occupancy 的检测机制的贝叶斯特征分配模型，实现贝塔多样性的有效推断，模拟与真菌数据应用验证其性能提升。

Which Green Technology to Subsidize? Evidence from Electric Vehicles in South Korea

补贴哪项绿色技术？来自韩国电动汽车的证据

Youngjin Hong, In Kyung Kim, Frank Verboven

专题命中 BEV与占用 ：BEV(summary_cn,abstract)

AI总结 研究构建框架比较补贴替代减排技术有效性，应用于韩国乘用车市场，发现将补贴从BEV重分配给HEV可额外减排47%，在特定条件下BEV补贴才更优，表明当前HEV补贴更有效。