ContextNest: Verifiable Context Governance for Autonomous AI Agent
PromptOwl, LLC（PromptOwl公司）；Goizueta Business School, Emory University（埃默里大学戈伊苏埃塔商学院）；IBM Research（IBM研究院）
提出ContextNest，一种在检索前提供上下文治理的开放规范，通过版本链、哈希校验和审计追踪确保知识可验证性，实验表明其在防过时攻击和检索确定性上优于传统方法。
2026-07-07 cs.AI
Secure Autonomous Agent Payments: Verifying Authenticity and Intent in a Trustless Environment
Vivek Acharya（独立研究者）
本文提出基于区块链的框架，通过密码学认证和零知识证明，实现自主代理支付中的意图验证和身份认证，确保交易安全性和可追溯性。
2025-11-08 cs.AI cs.CR cs.DC
Taming an autonomous surface vehicle for path following and collision avoidance using deep reinforcement learning
Norweigan University of Science and Technology（挪威科技大学）；SINTEF Digital（SINTEF数字研究所）；Oklahoma State University（俄克拉荷马州立大学）
在这篇文章中，我们探讨了近端策略优化的可行性，一个国家的最先进的深度强化学习算法的连续控制任务，对双目标问题的控制欠驱动自主水面车辆遵循先验已知的路径，同时避免碰撞与非移动障碍物的道路上。配备多个测距传感器用于障碍物检测的人工智能代理在基于OpenAI gym python工具包的具有挑战性的随机生成的模拟环境中进行训练和评估。值得注意的是，智能体可以实时了解自己的奖励函数，从而允许它动态地调整其指导策略。根据其策略，从激进的路径遵守到激进的障碍物规避，经过训练的代理实现了84%到100%的偶发成功率。
2019-12-18 cs.AI cs.LG cs.RO
Distributed Wildfire Surveillance with Autonomous Aircraft using Deep Reinforcement Learning
Stanford University（斯坦福大学）
无人驾驶飞机可以用来监测野火，使消防员能够做出明智的决定。然而，控制多架自主固定翼飞机以最大限度地扩大森林火灾覆盖范围是一个复杂的问题。状态空间是高维的，火灾传播是随机的，传感器信息是不完全的，飞行器必须相互协调才能完成任务。这项工作提出了两种深度强化学习方法，用于训练分散控制器，以适应问题中固有的高维性和不确定性。第一种方法利用对各飞机的即时观察来控制飞机。第二种方法允许飞机在野火状态的地图上进行协作，并维护所访问位置的时间历史，这些时间历史用作控制器的输入。仿真结果表明，这两种方法都允许飞机准确地跟踪野火的扩展，并优于在线滚动时域控制器。额外的模拟表明，该方法的规模与不同数量的飞机和推广到不同的野火形状。
2018-10-09 cs.AI cs.LG cs.RO
Verifiable Agentic Infrastructure: Proof-Derived Authorization for Sovereign AI Systems
本文提出Distributed Trust Framework，通过结构化可验证的艺术品计算执行权限，解决自主AI代理执行安全风险问题，实现授权过程的可验证、分布和可回放。
2026-05-13 cs.AI cs.LG
Hack-Verifiable Environments: Towards Evaluating Reward Hacking at Scale
Tel Aviv University（特拉维夫大学）；Columbia University（哥伦比亚大学）；Taso Labs（Taso实验室）
本文提出了一种新的评估方法来衡量奖励黑客，通过在环境中嵌入可检测的奖励黑客机会，使评估更加可靠和自动化，通过TextArena测试床分析了不同语言模型在多样化环境中的奖励黑客行为。
2026-05-20 cs.AI cs.LG
Guixu: Valuation-Driven Data Discovery for Autonomous AI Agents with On-Chain Attestation
Zhejiang University（浙江大学）；The State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室）；Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新区（滨江）区块链研究院）
Guixu是面向自主AI智能体的估值驱动型数据发现系统，采用三阶段估值管线等技术，整合智能体支付协议与链上数据市场，实现任务、预算感知且可信的数据发现与采购。
2026-08-11 cs.AI cs.CR cs.DB
Post-Deterministic Distributed Systems: A New Foundation for Trustworthy Autonomous Infrastructure
OpenKedge Inc.（OpenKedge公司）
本文提出后确定性分布式系统（PDDS）模型，以协调确定性代码、随机模型和自主代理共存的异构环境，并定义了五大架构支柱及新的故障分类。
2026-06-01 cs.AI cs.DC cs.LG
Behavioral Governance for Autonomous AI Agents: The AgentBound Framework
eBay Inc.（eBay公司）
提出AgentBound框架，通过委托授权、行为宪法和站点行动合同三权独立评估，结合形式化决策模型实现AI智能体行为的可验证治理，并生成加密可验证的治理收据以支持独立重放验证。
2026-07-03 cs.AI
NiyamAI - An Intent-Bound AI Agent with Cryptographically Verifiable Guardrails using Zero-Knowledge Proofs
Niyam-AI是一种基于零知识证明的意图绑定AI智能体框架，通过SHA-256承诺意图合约、Judge模型验证和zk-SNARK确保证明，在Agent-SafetyBench评估中较多款基线护栏实现显著安全性能提升。
2026-08-28 cs.AI
David vs. Goliath: Verifiable Agent-to-Agent Jailbreaking via Reinforcement Learning
Department of Artificial Intelligence, Radboud University, Nijmegen, The Netherlands（人工智能系，拉德堡德大学，尼姆韦根，荷兰）
通过强化学习框架Slingshot，验证了Tag-Along攻击作为可验证的威胁模型，并展示了如何通过环境交互从现成模型中引发有效代理攻击。
2026-02-02 cs.AI cs.CR cs.LG
Proof-or-Stop: Don't Trust the Agent, Trust the Evidence -- Loop Engineering for Verifiable Evidence-Gated Lifecycle Control
研究自主编码代理多步骤软件工作中生命周期状态缺乏证据支持的问题，提出证明或停止生命周期控制方法，经实验评估，该方法能有效控制生命周期转换，支持其作为与模型无关、主机中立的控制层。
2026-07-17 cs.AI cs.SE
Agentic System with Modal Logic for Autonomous Diagnostics
本文提出以 Kripke 模型表示智能体信念状态的神经符号多智能体架构，利用模态逻辑与领域约束引导语言模型诊断，并在模拟粒子加速器中成功识别复杂级联故障。
2025-10-18 cs.AI cs.LG cs.LO
PowerChain: A Verifiable Agentic AI System for Automating Distribution Grid Analyses
Dept. of Electrical and Biomedical Engineering, The University of Vermont（维珍尼亚大学电气与生物医学工程系）；Dept. of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校电气与计算机工程系）
针对配电网分析工作流难自动化、难泛化的问题，本文提出 PowerChain 智能体系统，利用电力系统工具监督信号与专家验证推理轨迹动态生成上下文，在真实数据上较基线最高提升144%。
2025-10-21 cs.AI cs.SY eess.SY
Instructing LLMs to Negotiate using Reinforcement Learning with Verifiable Rewards
Purdue University（普渡大学）；California Institute of Technology（加州理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）
本文探讨了通过可验证奖励的强化学习训练大语言模型进行谈判的有效性，揭示了四阶段战略演化，展示了训练后的模型在谈判中提取剩余价值的能力。
2026-04-10 cs.AI cs.CL cs.GT
QwenPaw-Data: Bridging Facts, Methodology, and Execution for Autonomous Enterprise Data Analytics
Alibaba Group（阿里巴巴集团）
研究针对企业数据分析在开放环境的特性，提出QwenPaw-Data系统，通过整合异构资产、转化自然语言请求为工作流，架构含三个协作子系统，实验证明该系统提升了数据访问和分析质量，为企业数据智能体提供基础。
2026-07-15 cs.AI
Autonomous Agents on Blockchains: Standards, Execution Models, and Trust Boundaries
Saad Alqithami（萨德·阿利萨米）
本文系统梳理了区块链与自主代理的互操作性领域，提出了五类整合模式、定制化的威胁模型和能力矩阵，并提出了研究路线图和评估套件，旨在提升链上执行的安全性和可靠性。
2026-01-08 cs.AI cs.MA
RLVMR: Reinforcement Learning with Verifiable Meta-Reasoning Rewards for Robust Long-Horizon Agents
Tencent（腾讯）
针对强化学习仅优化最终任务成功导致的低效探索与鲁棒性差问题，提出带可验证元推理奖励的RLVMR框架，结合过程与结果奖励训练，在ALFWorld、ScienceWorld基准上取得SOTA，提升了智能体鲁棒性与推理质量。
2025-07-30 cs.AI cs.LG
LOGIGEN: Logic-Driven Generation of Verifiable Agentic Tasks
Baidu Inc.（百度公司）；Tsinghua University（清华大学）
LOGIGEN通过逻辑驱动和验证训练生成可验证的复杂任务，提升代理在复杂环境中的任务完成率。
2026-02-28 cs.AI
DIAP: A Decentralized Agent Identity Protocol with Zero-Knowledge Proofs and a Hybrid P2P Stack
Binjiang Institute of Zhejiang University（浙江大学滨江学院）；ANP Open Source Community（ANP开源社区）；Zhejiang University（浙江大学）
针对去中心化智能体通信缺乏可信隐私协议的问题，提出DIAP协议，结合零知识证明与混合P2P栈实现无信任的可验证身份与互操作，为智能体生态提供高性能基础。
2025-11-06 cs.AI cs.DC
Digital Identity for Agentic Systems: Toward a Portable Authorization Standard for Autonomous Agents
MIT（麻省理工学院）
本文针对自主代理在跨组织边界扩展时身份不足的问题，提出基于发行者授权负载、类型约束代数等的可携带授权模型，旨在实现授权的明确性、约束性与可审计性。
2026-05-12 cs.AI cs.CR cs.MA
Risk-based implementation of COLREGs for autonomous surface vehicles using deep reinforcement learning
Norwegian University of Science and Technology（挪威科技大学）；Equinor（挪威国家石油公司）；Technical University of Munich（慕尼黑工业大学）；Oklahoma State University（俄克拉荷马州立大学）
自主系统正在变得无处不在，并在海洋部门获得动力。由于交通运输的电气化正在同时发生，自主海洋船舶可以减少对环境的影响、降低成本并提高效率。虽然仍需要密切监控以确保安全，但最终目标是完全自主。一个重要的里程碑是开发一个控制系统，该系统具有足够的通用性，可以处理任何天气和遭遇，同时也是强大和可靠的。此外，控制系统必须遵守国际海上避碰规则（COLREG），以便与人类水手成功互动。由于COLREG是为人类大脑解释而写的，它们是用模棱两可的散文写的，因此不能机器可读或验证。由于这些挑战和各种各样的情况下，要解决的，经典的基于模型的方法证明是复杂的实施和计算量大。在机器学习（ML）中，深度强化学习（DRL）已显示出广泛应用的巨大潜力。DRL的无模型和自学习特性使其成为自主船舶的一个有前途的候选者。在这项工作中，一个子集的COLREG被纳入基于DRL的路径跟踪和避障系统，使用碰撞风险理论。由此产生的自主智能体动态插值路径跟踪和COLREG兼容的碰撞避免在训练方案，孤立的遭遇情况下，和基于AIS的模拟现实世界的情况。
2021-11-30 cs.AI cs.RO
LOKA Protocol: A Decentralized Framework for Trustworthy and Ethical AI Agent Ecosystems
Carnegie Mellon University（卡内基梅隆大学）；BIT Sindri
LOKA协议提出一个去中心化框架，通过通用身份层、意图通信和伦理共识协议，解决AI智能体在身份、问责和伦理对齐上的关键问题，奠定可信AI生态系统基础。
2025-04-22 cs.AI cs.CY cs.MA
Perception Simplex: Verifiable Collision Avoidance in Autonomous Vehicles Amidst Obstacle Detection Faults
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mercer University（默瑟大学）；Technical University of Munich（慕尼黑工业大学）
针对自动驾驶中DNN感知不可验证导致的碰撞风险，提出感知单纯形架构，利用可验证的经典障碍物检测算法识别DNN检测器故障并触发纠正，实现确定性容错与安全保障。
2023-11-28 cs.LG cs.RO cs.SY
Certified Control: An Architecture for Verifiable Safety of Autonomous Vehicles
MIT（麻省理工学院）；Toyota Research Institute（丰田研究所）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
自动驾驶汽车的广泛采用将需要比目前更大的安全信心。认证控制是一种新的安全架构，其目标有两个方面：实现非常高的安全水平，并提供一个框架，以合理的信心，在安全。其核心思想是运行时监控器，与传感器硬件和低级控制和执行器一起作为一个小型的可信基础，确保整个系统的安全。不幸的是，在当前的系统中，复杂的感知使得即使是运行时监视器的验证也具有挑战性。因此，与传统的运行时监视不同，认证的控制监视器本身不执行感知和分析。相反，主控制器将建议的操作是安全的证据组装到证书中，然后由监视器独立检查。这利用了查找和检查成本之间的经典差距。控制器被分配了查找证书的任务，因此可以使用最复杂的算法（包括支持学习的软件）;监视器只被分配了检查任务，因此可以快速运行，体积更小，形式上可验证。本文阐述了认证控制的关键思想，并以LiDAR数据的认证及其形式化验证为例进行了说明。它展示了该架构如何显著减少需要验证的代码量，提供了传统架构中可能无法实现的端到端安全分析。
2021-03-29 cs.LO cs.RO cs.SE
Proceedings Fourth International Workshop on Formal Methods for Autonomous Systems (FMAS) and Fourth International Workshop on Automated and verifiable Software sYstem DEvelopment (ASYDE)
本EPTCS卷包含第四届自治系统形式化方法国际研讨会（FMAS 2022）和第四届自动化和可验证软件系统开发国际研讨会（ASYDE 2022）的联合会议记录，该研讨会于2022年9月26日和27日举行。FMAS 2022和ASYDE 2022与第20届软件工程和形式化方法国际会议（SEFM'22）在柏林洪堡大学联合举行。对于FMAS，今年的研讨会是我们在两个版本的FMAS完全在线后，由于COVID-19的限制，我们重新亲自出席。我们还热衷于确保FMAS 2022仍然方便无法旅行的人访问，因此研讨会促进了远程演示和出席。FMAS的目标是汇集正在使用正式方法来解决自治系统所带来的独特挑战的领先研究人员，分享他们最近和正在进行的工作。自治系统是高度复杂的，对形式化方法的应用提出了独特的挑战。自主系统在没有人为干预的情况下运行，并且通常嵌入在机器人系统中，以便它们可以与现实世界进行交互。因此，它们表现出安全关键，网络物理，混合和实时系统的属性。我们感兴趣的工作，使用正式的方法来指定，建模，或验证自主和/或机器人系统;在整体或部分。我们也有兴趣在成功的工业应用和潜在的方向，这种新兴的应用正式的方法。
2022-09-27 cs.AI cs.LO cs.RO
Verifiable Goal Recognition for Autonomous Driving with Occlusions
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）；Bosch（博世）
针对自动驾驶中因遮挡导致环境部分可观测的问题，提出了一种基于决策树的新型目标识别方法OGRIT，该方法能跨场景处理缺失数据，兼具快速、准确、可解释和可验证的优点，并发布了相关数据集。
2023-08-01 cs.LG cs.RO
Agent Economics: An Entropy-Controlled Pluralistic Alignment Framework for Preventing Artificial Hivemind in Autonomous Agents
AX Center, SAMSUNG SDS（三星SDS AX中心）
提出行为协议框架(BPF)，通过心智化社会智能、多元对齐和可验证执行内核三个模块，在闭环架构中控制熵以保持策略多样性，提升自主智能体经济的稳定性、效率和可信度。
2026-06-16 cs.AI
ReSyn: Autonomously Scaling Synthetic Environments for Reasoning Models
Carnegie Mellon University（卡内基梅隆大学）；Amazon Web Services（亚马逊网络服务）
ReSyn通过生成多样化推理环境，利用验证器监督和任务多样性提升推理语言模型的推理能力。
2026-02-23 cs.AI cs.LG
GRIT: Fast, Interpretable, and Verifiable Goal Recognition with Learned Decision Trees for Autonomous Driving
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）
对于自动驾驶汽车来说，重要的是要有能力推断其他车辆的目标（目标识别），以便安全地与其他车辆进行交互并预测其未来的轨迹。这是一个困难的问题，特别是在城市环境中，许多车辆之间的相互作用。目标识别方法必须快速，以便实时的运行并做出准确的推断。由于自动驾驶是安全关键的，因此重要的是要有人类可解释的方法，并且可以正式验证安全性。现有的自动驾驶汽车目标识别方法无法满足快速、准确、可解释和可验证的所有四个目标。我们提出了目标识别与解释树（GRIT），目标识别系统，实现这些目标。GRIT利用车辆轨迹数据训练的决策树。我们在两个数据集上评估了GRIT，结果表明GRIT实现了快速的推理速度和与两个深度学习基线、基于规划的目标识别方法和GRIT消融相当的准确性。我们表明，学习树是人类可解释的，并演示如何GRIT的属性可以正式验证使用可满足性模理论（SMT）求解器。
2021-08-09 cs.MA cs.RO
Policy Cards: Machine-Readable Runtime Governance for Autonomous AI Agents
Symbiotic Dynamics Ltd（共生动力有限公司）
本研究提出机器可读的部署层标准Policy Cards，通过编码约束规则与监管框架映射、支持自动验证和版本管控，实现自主AI智能体的运行时可验证合规，衔接治理与工程实践，支撑规模化可问责自主。
2025-10-28 cs.AI cs.CY cs.MA
Synergistic Perception and Control Simplex for Verifiable Safe Vertical Landing
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种感知与控制协同单纯形方法，通过实时动态确认系统控制限制，为自主飞行器在复杂环境下的垂直降落提供可验证的避障安全保障。
2023-12-05 cs.RO cs.SY eess.SY
Hierarchical Program-Triggered Reinforcement Learning Agents For Automated Driving
IIT Kharagpur（印度理工学院卡拉格普尔分校）
强化学习（RL）与深度学习（DL）结合的最新进展在复杂任务（包括自动驾驶）中表现出令人印象深刻的性能。在自动驾驶中使用RL代理可以带来流畅的类人驾驶体验，但深度强化学习（DRL）有限的可解释性造成了验证和认证瓶颈。我们提出了HPRL -分层程序触发的强化学习，而不是依赖于RL代理来学习复杂的任务，它使用由结构化程序和多个RL代理组成的层次结构，每个RL代理都经过训练来执行相对简单的任务。验证的重点转移到主程序的简单保证下，从RL代理，导致一个更显着的可解释性和可验证的实现相比，一个复杂的RL代理。不同的驾驶任务，和NHTSA precrash方案使用CARLA，一个开源的动态城市模拟环境的框架的评估证明。
2021-03-25 cs.AI cs.LG cs.NE
Complete Autonomous Robotic Nasopharyngeal Swab System with Evaluation on a Stochastically Moving Phantom Head
University of Waterloo（滑铁卢大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
提出一种基于协作机械臂的自主鼻咽拭子采集系统，结合视觉伺服与柔顺力控在随机运动的仿生头部上验证了其安全性与可靠性。
2024-08-23 cs.RO
FinanceHarness: Autonomous Financial Deep Research Framework
FinanceHarness是一款端到端自动化金融深度研究的自主框架，结合自主智能体与金融专用工具，在FinanceGym基准上大幅提升了金融研究评分规则得分。
2026-08-10 cs.AI cs.CL q-fin.CP
Verifiable Obstacle Detection
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mercer University（默瑟大学）；Technical University of Munich（慕尼黑工业大学）
针对自动驾驶中深度神经网络感知难以验证的问题，本文对现有基于LiDAR的经典障碍物检测算法进行安全验证，确立了其能力严格边界，以确定满足安全标准的传感器属性，并通过真实数据验证了分析。
2022-08-30 cs.CV cs.RO cs.SY
Agentic JWT: A Secure Delegation Protocol for Autonomous AI Agents
针对自主AI智能体中OAuth 2.0权限易被静默扩大的问题，提出Agentic JWT（A-JWT）安全委派协议，通过绑定用户意图、链式委派断言和占有证明密钥实现零信任授权，以亚毫秒级开销有效阻断权限违规、重放、冒充和提示注入。
2025-09-16 cs.AI cs.CR
The Path Ahead for Agentic AI: Challenges and Opportunities
Robotics and Internet-of-Things (RIOTU) Lab, Prince Sultan University, Riyadh, Saudi Arabia（机器人与物联网（RIOTU）实验室，普森大学，利雅得，沙特阿拉伯）
本文探讨了代理AI从被动生成到自主行动的转变，分析了其技术挑战与核心方法，并提出了实现自主行为的关键研究方向。
2026-01-06 cs.AI
ESAA: Event Sourcing for Autonomous Agents in LLM-Based Software Engineering
ESAA架构通过事件溯源技术提升自主代理在软件工程中的状态管理和任务执行能力，支持多代理并发调度和异构LLM的协同工作。
2026-02-26 cs.AI
The Aegis Protocol: A Foundational Security Framework for Autonomous AI Agents
Associate Professor, Sree Dattha Group of Institutions, Hyderabad, India（副教授，Sree Dattha学院，海得拉巴，印度）
本文提出 Aegis 分层安全框架，通过去中心化身份、后量子密码和零知识证明保障自主 AI 智能体安全，仿真显示 20,000 次攻击零成功，为可扩展自主 AI 奠定安全基础。
2025-08-22 cs.AI cs.CR cs.MA
A Systematic Survey of Agentic Skills: Architecture, Lifecycle, and Security
Google LLC（谷歌有限责任公司）；Purdue University（普渡大学）
本文为智能体技能生态建立统一系统基础与参考架构，界定其九阶段生命周期，探讨安全威胁与防御机制，分类多领域系统实现，确立智能体技能为自主语言智能体的基础范式。
2026-09-29 cs.AI cs.LG cs.MA
Hybrid Open-Ended Tri-Evolution Makes Better Deep Researcher
IQuest Research；Zhejiang University（浙江大学）
提出混合开放式三重进化框架，通过混合模式强化学习协同进化提议者、求解者和评判者，使8B模型在深度研究任务上超越静态开源8-32B模型及先进训练方法。
2026-06-16 cs.AI cs.LG
ASCEND: Personal AI Agents for Autonomous Scientific Computing Across HPC Clusters and GPU Workstations
NC State University（北卡罗来纳州立大学）；Duke University（杜克大学）
本文提出ASCEND智能体，在研究者笔记本上运行，通过认证连接管理HPC集群和GPU工作站，实现故障恢复、结果复现、并行加速等自主科学计算，并验证了策略验证层的高效性。
2026-10-06 cs.AI cs.DC cs.SE
Interoperable Architecture for Digital Identity Delegation for AI Agents with Blockchain Integration
Universidad de Los Andes（洛斯安第斯大学）
本文提出了一种支持AI代理在异构身份生态系统中实现安全委托的架构，通过可审计和最小特权的委托机制，提升数字身份系统的互操作性与可信度。
2026-01-21 cs.AI cs.CR cs.CY
Safe-ROS: An Architecture for Autonomous Robots in Safety-Critical Domains
Department of Computer Science The University of Manchester Manchester, UK（计算机科学系曼彻斯特大学曼彻斯特英国）；University of Manchester Manchester, UK（曼彻斯特大学曼彻斯特英国）
针对安全关键领域自主机器人的安全合规需求，提出含独立可验证安全子系统的Safe-ROS架构，经核场景仿真与实测验证，可提供可靠安全监管能力。
2025-11-18 cs.LO cs.RO cs.SE
Reinforced Efficient Reasoning via Semantically Diverse Exploration
Shandong University（山东大学）；Leiden University（莱顿大学）；Baidu Inc.（百度公司）
本文提出ROSE方法，通过语义熵分支策略和ε探索机制提升大语言模型的推理多样性与效率，并通过实验验证其有效性。
2026-04-20 cs.AI cs.CL
Cognitive Dual-Process Planning for Autonomous Driving with Structured Scene Knowledge and Verifiable Reasoning-Action Consistency
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology（北京理工大学电动车辆国家工程研究中心）；School of Mechanical Engineering, Southeast University（东南大学机械工程学院）
研究自动驾驶高级规划问题，提出认知双过程规划框架，用S-CoT模式表示场景知识，通过自动数据引擎、视觉仲裁器及验证器实现自适应推理和规则验证，提升规划准确性、逻辑一致性并降低延迟，明确性能下降条件。
2026-07-23 cs.CV cs.RO
Blockchain-Enabled Artificial Intelligence and AI Agents for Secure Data Sharing and Cybersecurity Applications
Palo Alto Networks（帕洛阿尔托网络公司）
本文通过元综合研究，提出一种结合对抗性模型、区块链数据来源和智能合约多代理修复的分层架构，以解决AI安全运营中的数据、模型和代理信任问题。
2026-09-25 cs.AI cs.CR
A Verifiable and Correct-by-Construction Controller for Robot Functional Levels
Verimag/CNRS（Verimag/法国国家科学研究中心）；LAAS/CNRS（LAAS/法国国家科学研究中心）
自主机器人是一个复杂的系统，需要大量异构软件组件之间的交互和协作。近年来，机器人越来越多地用于复杂和安全关键的任务，例如探索火星和协助/替代人类。因此，机器人正在成为关键系统，必须满足安全属性，特别是逻辑，时间和实时约束。为此，我们提出了一个进化的LAAS架构的自治系统，特别是其GenoM工具。这种演变依赖于BIP基于组件的设计框架，它已成功地用于其他领域，如嵌入式系统。我们展示了如何将BIP集成到我们现有的方法中，以开发最低（功能）级别的机器人。特别是，我们讨论了组件化的功能级别，合成的执行控制器，以及我们如何验证所得到的功能级别是否符合性能，如死锁自由。我们还表明，通过实验，验证是可行的，可用于复杂的，现实世界的机器人系统，并从我们的新方法产生的基于BIP的功能级别，尽管在执行过程中的开销，仍然实用的现实世界的机器人平台。我们的方法已经完全实现了LAAS架构，并已在一个真正的机器人上的几个实验中使用的实现。
2013-09-02 cs.RO cs.SE
Multi-Agent Embodied Autonomous Driving (MAEAD): From V2X Information Exchange to Shared World Models
Lingnan University, Hong Kong（岭南大学（香港））
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。
2026-08-20 cs.CV cs.RO
Self-Driving Negotiator: An interactive, verifiable benchmark for social negotiation and theory of mind under hidden intent
Owl Autonomous Imaging, Inc（Owl 自动成像公司）
提出一个文本多轮程序化生成环境，用于衡量自动驾驶中基于隐藏意图推断的隐式社会协调能力，通过特权模拟器状态计算奖励和诊断，当前最佳模型平均成功率仅0.68。
2026-06-16 cs.GT cs.RO
Perspectives on the System-level Design of a Safe Autonomous Driving Stack
Five AI Ltd.（Five AI有限公司）；University of Edinburgh（爱丁堡大学）
实现安全和强大的自动驾驶是更广泛采用自动驾驶汽车技术的关键瓶颈。这促使超越外在的指标，如英里之间的脱离，并呼吁通过设计体现安全的方法。在本文中，我们解决这个挑战的一些方面，重点是运动规划和预测的问题。我们通过描述解决自动驾驶堆栈中选定子问题的新方法来做到这一点，在此过程中介绍了Five中采用的设计理念。这包括安全设计规划、可解释和可验证的预测以及感知错误建模，以实现在现实自主系统的测试管道内有效的模拟到真实和真实到模拟的传输。
2022-07-29 cs.MA cs.RO
Real-time Terrain Analysis for Off-road Autonomous Vehicles
针对道路粗糙度引发的自动驾驶控制风险，提出基于贝叶斯校准的实时粗糙度估计系统，结合高斯过程与半车辆模型逆向预测地形，并联动Simplex控制器动态调整限速，有效提升了车辆的运行安全与效率。
2025-06-26 cs.RO
LASSA Architecture-Based Autonomous Fault-Tolerant Control of Unmanned Underwater Vehicles
Wuhan Second Ship Design and Research Institute（武汉第二船舶设计研究所）；School of Aeronautic Science and Engineering, Beihang University（北航航空科学与工程学院）
本文提出基于LASSA架构的无人水下车辆自主容错控制方法，通过LLM识别未知故障并自主规划任务，结合智能代理感知与决策评估， solver验证物理约束，实现高动态决策与高频控制的双闭环协同控制。
2026-05-10 cs.AI cs.RO
