Korea Advanced Institute of Science and Technology（韩国科学技术院）

PLED-VINS: A Point-Line Event-Based Visual Inertial SLAM for Dynamic Environments

PLED-VINS：一种用于动态环境的基于点线事件的视觉惯性同步定位与地图构建

Seunghun Lee, Jihun Nam, Dong-Uk Seo, Hyun Myung

机构 * KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院） ； School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电气工程学院） 纠错

AI总结 针对动态环境中视觉SLAM的挑战，PLED-VINS基于单目事件相机，通过提出熵-近期得分图和统一调整估计特征可靠性，设计自适应加权策略，有效提升了含运动物体动态序列的状态估计。

Comments 8 pages, 9 figures. Accepted to IROS 2026

A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving

一个用于自动驾驶的具有大语言模型注释的高风险驾驶场景知识增强数据集

Heye Huang, Jingguang Li, Zhiyuan Zhou, Paul Liang, Mingyu Wu, Kitae Jang, Jianqiang Wang

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Fudan University（复旦大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） 纠错

AI总结 研究自动驾驶中高风险场景数据不足问题，核心方法是构建K-Risk数据集，整合多源轨迹数据并利用大语言模型生成注释，主要贡献是为自动驾驶开发和评估提供标准化基础。

Comments 22 pages, 9 figures

Ego-Human Motion Prediction with 3D-Aware LLM

基于3D感知语言模型的自我-人类运动预测

Yujin Bae, Jaewoo Jeong, Hyeonseong Kim, Kuk-Jin Yoon

机构 * Visual Intelligence Lab., KAIST（视觉智能实验室，韩国科学技术院） 纠错

AI总结 研究从自我中心视角预测人类运动问题，提出Ego3DLM模型，基于准确运动预测需3D环境理解及姿势语言整体预测原则，通过三阶段训练，在相关任务中取得领先性能，实现跨模态和时间一致的运动预测。

Comments Accepted to ECCV 2026

Hybrid Least Squares/Gradient Descent Methods for MIONets

用于MIONets的混合最小二乘法/梯度下降法

Jun Choi, Chang-Ock Lee, Minam Moon

机构 * KAIST（韩国科学技术院） ； Korea Military Academy（韩国陆军军官学校） 纠错

AI总结 针对MIONets提出混合最小二乘法/梯度下降法加速训练，该方法基于MIONet特性，用交替最小二乘法优化参数，引入相关矩阵分解大矩阵，还兼容特定\(L^2\)损失，可应用线性算子于MIONet输出。

Learning to Explore for Stochastic Gradient MCMC

为随机梯度MCMC学习探索

SeungHyun Kim, Seohyeon Jung, Seonghyeon Kim, Juho Lee

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 本文提出一种元学习策略，使SGMCMC能够高效探索多模态后验分布，提升采样效率并优于传统SGMCMC方法。

Journal ref Proceedings of the 41st International Conference on Machine Learning, Proceedings of Machine Learning Research 235:24015-24039, 2024