Long-term Prediction of Vehicle Behavior using Short-term Uncertainty-aware Trajectories and High-definition Maps
Uber Advanced Technologies Group（优步先进技术集团）
对周围车辆的运动预测是自动驾驶车辆处理的最重要的任务之一，也是自动驾驶系统中确保所有相关交通参与者安全所必需的关键步骤。最近，来自学术界和工业界的许多研究人员都关注这一重要问题，提出了从基于规则的工程方法到学习方法的各种想法，这些想法在不同的预测范围内表现良好。特别是，虽然对于长期轨迹，工程方法优于竞争方法，但学习方法已被证明是短期的最佳选择。在这项工作中，我们描述了如何克服这两个研究方向之间的差异，并提出了一种方法，在一个统一的框架下结合不同的方法。由此产生的算法融合学习，不确定性感知轨迹与基于车道的路径在原则上的方式，从而提高预测精度在短期和长期的视野。对真实世界的大规模数据的实验强烈表明了所提出的统一方法的优点，其性能优于现有的最先进的方法。此外，在离线评估之后，所提出的方法在自动驾驶车辆上成功地进行了测试。
2020-06-13 cs.RO stat.AP
CryoSAMU: Enhancing 3D Cryo-EM Density Maps of Protein Structures at Intermediate Resolution with Structure-Aware Multimodal U-Nets
Department of Computer Science, UBC（计算机科学系，不列颠哥伦比亚大学）；Department of Mathematics, UBC（数学系，不列颠哥伦比亚大学）
本文提出 CryoSAMU，通过结构感知多模态 U-Net 和中等分辨率数据训练来增强蛋白质 3D Cryo-EM 密度图，在保持竞争力的同时显著提升处理速度。
2025-05-15 cs.AI cs.CV cs.LG
Towards Fully Environment-Aware UAVs: Real-Time Path Planning with Online 3D Wind Field Prediction in Complex Terrain
今天，低空固定翼无人机（UAV）在很大程度上限于自动遵循用户定义的航路点。为了在复杂环境中实现完全自主的远程任务，需要针对地形和强风气流的实时的环境感知导航。本文提出了两个相关的初步贡献：第一，文献的第一个三维风场预报方法，可以运行在实时的机载无人机。该方法检索低分辨率的全球天气数据，并使用势流理论来调整风场，以便观察地形边界，质量守恒和大气层结。与一维激光雷达数据的比较表明，相对于目前主要用于无人机路径规划的零风假设，总体风误差减少了23%。然而，由于垂直风没有足够准确地解决，需要进一步的研究和确定。其次，提出了一种基于采样的路径规划器，该规划器通过Dubins飞机路径迭代地考虑非均匀风中的飞机动力学。性能优化，例如障碍感知采样和快速2.5D地图碰撞检查，使规划器比开放式运动规划库（OMPL）实现快50%。阿尔卑斯山地形的测试案例表明，风感知规划的迭代次数比最短路径规划少50倍，因此在低风速下速度较慢，但在强风下往往会提供成本较低的路径。更重要的是，与最短路径规划器相比，它总是提供无冲突的路径。总体而言，我们的初步研究表明，从无人机三维风场预测的可行性和风感知规划的优势。这为无人机在现实任务和复杂地形中的全自主环境感知导航的后续研究铺平了道路。
2017-12-10 cs.AI cs.RO
MAPS: Memory-Aware Predictive Scheduling Framework for Large Language Model Serving
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；The International Joint Institute of Tianjin University, Tianjin University（天津大学国际联合学院）；Faculty of Digital Economics and Managements, Tianjin University of Finance and Economics（天津财经大学数字经济与管理学院）
针对分离式LLM服务中解码实例负载不均的问题，提出内存感知预测调度框架MAPS，通过设备辅助输出长度预测与不确定性校准实现安全调度，显著降低端到端延迟。
2026-09-15 cs.AI
A $1000\times$ Faster LLM-enhanced Algorithm For Path Planning in Large-scale Grid Maps
Junlin Zeng, Xin Zhang, Xiang Zhao, Yan Pan（作者）
本文提出iLLM-A*算法，通过优化A*和增量学习方法，实现大规模网格地图路径规划的1000倍速度提升和内存节省。
2025-12-01 cs.AI cs.RO
POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
提出可嵌入的 POA 规划器，通过识别可通行与不可通行障碍物，让两轮机器人在高度杂乱环境中穿越可通行障碍，并较 GVD、A*、RRT* 最多缩短路径 43%、时间 39%。
2023-07-16 cs.AI cs.RO
Adaptive Context-Aware Multi-Path Transmission Control for VR/AR Content: A Deep Reinforcement Learning Approach
Iowa State University（爱荷华州立大学）；BRAC University（BRAC大学）
本文提出ACMPTCP协议，利用深度强化学习优化MPTCP的端到端路径管理与带宽分配，以提升AR/VR流媒体等数据密集型应用在不同网络环境下的传输性能。
2024-12-27 cs.AI cs.NI
URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground Traversability Estimation for Off-road Environments
Mississippi State University（密西西比州立大学）
本文提出URA*方法，利用集成CNN从航空图像估计非道路可通行性，并通过不确定性感知规划与快速重规划提升自主导航路径质量，在多个数据集上优于传统规划算法。
2023-09-15 cs.AI cs.RO
Risk-aware Stochastic Shortest Path
IST Austria（奥地利科学技术研究所）
研究了马尔可夫决策过程（MDP）上随机最短路（SSP）的风险感知控制问题。通常情况下，预期被认为是SSP，但忽视了所发生的风险。我们提出了另一种观点，而不是优化条件风险价值（CVaR），一个既定的风险度量。我们对待马尔可夫链以及MDP和介绍，通过新的见解，两个算法，分别基于线性规划和值迭代。这两种算法都提供了精确和可证明正确的解决方案。我们的原型实现的评估表明，风险意识控制是可行的几个中等规模的模型。
2022-03-03 cs.AI cs.SY eess.SY
Meteorology-Aware Multi-Goal Path Planning for Large-Scale Inspection Missions with Long-Endurance Solar-Powered Aircraft
与传统飞机相比，太阳能飞机有望显著提高飞行续航力。虽然这使它们成为大规模空中视察任务的理想人选，但由于其结构脆弱，必须使用适当的路径规划方法避免恶劣天气。因此，本文介绍了MetPASS，气象感知路径规划和分析软件的太阳能无人机。MetPASS是文献中第一个考虑影响太阳能飞行安全或性能的所有方面的路径规划框架：它避免了环境风险（雷暴，雨，风，阵风和湿度），并利用有利区域（高太阳辐射或顺风）。它还可以避免系统风险，如电池电量低，并通过杂乱的地形返回安全路径。MetPASS从全球气象模型中导入天气数据，通过能量系统模型传播飞机状态，然后将两者结合到成本函数中。结合动态规划技术和A* 搜索算法与自定义启发式被用来规划全局最优路径在站点保持，点对点或多目标的空中检查任务的覆盖保证。提供了一个完整的软件实现，包括GUI。这些规划方法使用苏黎世联邦理工学院的太阳能无人机的三个任务进行了验证：81小时连续太阳能动力保持飞行，从纽芬兰到葡萄牙的4000公里大西洋穿越，以及2017年夏季在格陵兰岛附近执行的北冰洋上空的两个多冰川空中检查任务。
2017-11-28 cs.AI cs.RO
UrbanMIMOMap: A Ray-Traced MIMO CSI Dataset with Precoding-Aware Maps and Benchmarks
School of Telecommunications Engineering, Xidian University, Xi'an, 710071, China（电信工程学院，西安电子科技大学，西安，710071，中国）
针对现有数据集缺乏MIMO CSI信息的问题，本文提出UrbanMIMOMap，一个基于高精度射线追踪的大规模城市MIMO CSI数据集，提供密集空间网格上的复CSI矩阵，为高保真无线电地图构建和6G环境感知ML研究提供关键资源。
2025-09-08 cs.AI cs.LG
ERA*: Enhanced Relaxed A* algorithm for Solving the Shortest Path Problem in Regular Grid Maps
Prince Sultan University（苏丹王子大学）
针对静态规则8邻接网格的点对点最短路径问题，提出增强型松弛A*算法ERA*，通过查找矩阵策略在保证路径长度与RA*等价的同时大幅提升速度与内存效率，实验验证其性能显著优于RA*和原始A*。
2023-08-15 cs.AI
MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking
Peng Cheng Laboratory（鹏城实验室）；Peking University（北京大学）；Anhui University（安徽大学）；University of Science and Technology of China（中国科学技术大学）
许多RGB-T跟踪器试图通过利用自适应加权方案（或注意力机制）来获得鲁棒的特征表示。与这些工作不同的是，我们提出了一个新的动态模态感知滤波器生成模块（名为MFGNet），通过自适应地调整实际跟踪中各种输入图像的卷积核来增强可见光和热数据之间的消息通信。给定图像对作为输入，我们首先使用骨干网络对其特征进行编码。然后，我们将这些特征图连接起来，并使用两个独立的网络生成动态模态感知过滤器。可见光滤波器和热滤波器将分别用于对其对应的输入特征图进行动态卷积操作。受残差连接的启发，生成的可见和热特征图将与输入特征图一起汇总。增强的特征映射将被馈送到RoI对齐模块中，以生成用于后续分类的实例级特征。为了解决严重的遮挡，快速运动和out-of-view所造成的问题，我们建议进行联合本地和全局搜索，利用一种新的方向感知目标驱动的注意力机制。空间和时间递归神经网络用于捕获方向感知上下文，以实现精确的全局注意力预测。在三个大规模RGB-T跟踪基准数据集上的实验验证了该算法的有效性。本文的源代码可在\textcolor{magenta}{\url{https://github.com/wangxiao5791509/MFG_RGBT_Tracking_PyTorch}}上获得。
2022-05-09 cs.AI cs.CV
Context-aware Path Ranking for Knowledge Base Completion
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
知识库补全的目的是从知识库中现有的事实中推断出缺失的事实。在各种方法中，路径排序（PR）算法近年来受到越来越多的关注。PR算法枚举KB中实体对之间的路径，并使用这些路径作为特征来训练用于丢失事实预测的模型。由于其良好的性能和高模型的可解释性，已经提出了几种方法。然而，大多数现有的方法遭受的可扩展性（高RAM消耗）和功能爆炸（训练指数大量的功能）的问题。本文提出了一种上下文感知的路径排序（C-PR）算法来解决这些问题，通过引入一个选择性的路径探索策略。C-PR使用词嵌入来学习KB中实体的全局语义，并利用实体语义的知识来使用双向随机游走来枚举上下文相关路径。在三个大知识库上的实验结果表明，C-PR发现的路径特征（数量较少）不仅提高了预测性能，而且比现有基线更易于解释。
2017-12-20 cs.AI cs.CL
ConEx: Human-Interpretable Saliency Maps via Concept-Aware Attribution
Tel Aviv University（特拉维夫大学）；The Open University（开放大学）
ConEx提出了一种结合显著性可视化与概念推理的框架，通过自动发现概念激活向量生成忠实且可解释的显著性图，并引入VCM和CCM指标，在多个基准上达到最先进性能。
2026-10-06 cs.AI cs.CV cs.LG
Coarse- and Fine-grained Attention Network with Background-aware Loss for Crowd Density Map Estimation
Tsinghua University（清华大学）
在本文中，我们提出了一种新的方法粗粒度和细粒度的注意力网络（CFANet）生成高质量的人群密度图和人数估计，通过将注意力地图，以更好地集中在人群区域。针对直接生成精确的细粒度注意力图的困难，提出了一种由粗到细的渐进式注意力机制，将人群区域识别（CRR）和密度水平估计（DLE）分支相结合，抑制无关背景的影响，并根据人群密度水平分配注意力权重。我们还采用了一个多层次的监督机制，以协助梯度的反向传播和减少过拟合。此外，我们提出了一个背景感知的结构损失（BSL），以减少错误识别率，同时提高结构相似性地面真相。在常用数据集上的大量实验表明，该方法不仅在计数精度上优于现有方法，而且在提高密度图图像质量的同时降低了误识率。
2020-11-07 cs.AI cs.CV
Inferring Substitutable and Complementary Products with Knowledge-Aware Path Reasoning based on Dynamic Policy Network
East China Normal University（华东师范大学）
对于推荐系统来说，为一个给定的产品推断出可替代和互补的产品是一个重要的和基本的问题。为了实现这一目标，现有的方法利用知识图谱来学习更多的证据进行推理，但由于缺乏优雅的决策策略，它们往往会遭受无效推理。为此，本文提出了一种新的知识感知路径推理（Knowledge-Aware Path Reasoning，KAPR）模型，该模型利用动态策略网络对知识图谱进行显式推理，从而推断出可替代和互补关系。我们的贡献可以突出为三个方面。首先，我们将此推理场景建模为马尔可夫决策过程，以实现知识图谱上的知识感知路径推理。其次，我们整合结构化和非结构化的知识，以提供足够的证据作出准确的决策。第三，我们在一系列真实世界的数据集上评估我们的模型，与最先进的方法相比，实现了具有竞争力的性能。我们的代码发布在www.example.com flower/kapr/tree/master上。
2021-10-07 cs.AI
Which Anatomy Matters Under Limited Labels? A Data-Efficient Anatomy-Aware Benchmark for Cardiac Pathology Prediction
Himanshu Singh（希曼斯·辛格）
针对有限标签和计算资源下的医学影像问题，提出解剖感知基准，通过比较不同解剖结构表示和分类器，发现表示质量比模型复杂度更重要。
2026-05-25 cs.AI cs.LG eess.IV
QD-MAPPER: A Quality Diversity Framework to Automatically Evaluate Multi-Agent Path Finding Algorithms in Diverse Maps
Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
QD-MAPPER是一种基于质量多样性算法的框架，用于在多样化地图上自动评估多智能体路径寻找算法的性能，通过生成多样化地图实现对不同算法的公平比较和性能分析。
2026-02-14 cs.AI cs.MA
S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering
University of Macau（澳门大学）；Xiamen University（厦门大学）；Peking University（北京大学）；Hanyang University（翰阳大学）；University of Liverpool（利物浦大学）；Zhejiang University（浙江大学）
S-Path-RAG通过混合加权k最短路径、束搜索和约束随机游走策略，实现语义感知的多跳知识图谱问答，提升检索效率与生成准确性。
2026-03-05 cs.AI cs.CL cs.IR
A Scalable Heuristic for Fastest-Path Computation on Very Large Road Maps
Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所）；New Jersey Institute of Technology（新泽西理工学院）
在一个非常大的道路地图中的两点之间的最快路径查询是现代交通和导航系统中越来越重要的原语，因此非常有效地计算这些路径对于系统性能和吞吐量至关重要。我们提出了一种方法来计算一个有效的启发式的最快路径旅行时间之间的两点的道路地图，它可以用来显着加速经典的A* 算法时，计算最快路径。我们的方法是基于两个层次集的分隔符的两个二叉树表示的地图。预处理步骤基于分隔树计算每个道路交叉点的值的短向量，然后将其与地图一起存储并用于在在线查询阶段有效地计算启发式。我们通过实验证明，这种方法可以很好地扩展到任何地图大小，提供了一个更好的质量启发式，从而更有效的A* 搜索，在所有距离点之间的最快路径查询-特别是中小范围-相对于其他已知的搜索。
2020-09-04 cs.AI cs.DS
Reachability-Aware Pretraining for Efficient Target-Oriented Path Exploration in Temporal Knowledge Graph Reasoning
Artificial Intelligence Research Center, Chang Gung University（长庚大学人工智能研究中心）；Graduate Institute of Oral Biology, National Taiwan University（国立台湾大学口腔生物学研究所）；National Taiwan University of Science and Technology（国立台湾科技大学）
针对时态知识图谱推理中外推设置下RL训练奖励稀疏、探索效率低的问题，提出RAPTOR自监督预训练方法，通过学习估计可达性减少无前景路径探索，为RL微调提供初始化，实验证明该方法能提高训练效率并优于传统基线。
2026-07-17 cs.AI
A Knowledge-Graph Translation Layer for Mission-Aware Multi-Agent Path Planning in Spatiotemporal Dynamics
Cannizaro-Livingston Gulf States Center for Environmental Informatics（坎尼扎罗-利文斯顿海湾州环境信息中心）；Center for Geospatial Sciences Naval Research Laboratory（地理空间科学中心海军研究实验室）
提出基于知识图谱翻译层的框架，弥合任务语义与规划器输入鸿沟，通过双平面架构实现任务感知路径规划，案例验证其有效性与可解释性。
2025-10-24 cs.AI
Hierarchy-Aware T5 with Path-Adaptive Mask Mechanism for Hierarchical Text Classification
University of Science and Technology of China（中国科学技术大学）；NetEase Media Technology (Beijing) Co., Ltd（网易传媒科技（北京）有限公司）
层次文本分类（HTC）是自然语言处理中一个重要的研究课题，其目的是预测文本在层次空间中的标注。现有的方法通常对整个层次结构进行编码，无法构建一个强大的标签依赖模型，因此很难对稀疏的低级别标签进行准确预测，并实现较低的Macro-F1。本文提出了一种新的用于HTC的PAMM-HiA-T5模型：具有路径自适应掩码机制的层次感知T5模型，不仅将上层标签的知识构建到下层标签中，而且在标签预测中引入路径依赖信息。具体来说，我们生成一个多层次的顺序标签结构，利用不同级别的层次依赖与广度优先搜索（BFS）和T5模型。为了进一步提高每个路径内的标签依赖预测，我们提出了一个原始的路径自适应掩码机制（PAMM）来识别标签的路径信息，消除来自其他路径的噪声源。在三个基准数据集上的综合实验表明，我们的新PAMM-HiA-T5模型大大优于所有最先进的HTC方法，特别是在Macro-F1中。消融研究表明，改善主要来自我们的创新方法，而不是T5。
2021-09-17 cs.AI cs.CL
Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion
Xihua University（西华大学）
本文提出U-GLAD模型，通过概率分布建模认知状态，利用多头注意力和目标特定变换生成个性化嵌入，采用生成扩散模型预测最优概念的潜在表示，有效解决历史交互不确定性问题。
2026-04-16 cs.AI cs.IR
AlphaToken: Decoupling Adaptation and Stability for Path-Aware Response Token Valuation in LLM Post-Training
Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院）
提出AlphaToken框架，通过解耦适应性（促进目标任务学习）和稳定性（保持预训练能力）并引入路径感知机制，利用Fisher漂移代理和Ghost点积扩展实现高效令牌估值，从而在微调和偏好优化中屏蔽低价值令牌，提升后训练性能并缓解灾难性遗忘。
2026-06-01 cs.AI cs.CL
Improving Embedding Accuracy for Document Retrieval Using Entity Relationship Maps and Model-Aware Contrastive Sampling
Fifth Dimension AI（第五维度人工智能公司）
提出APEX-Embedding-7B，通过结构化实体关系图的收敛前中断微调与模型感知对比采样，提升长上下文文档RAG检索的事实聚焦能力并取得90.86% rank@1。
2024-10-08 cs.AI cs.CL cs.IR
KSDiff: Keyframe-Augmented Speech-Aware Dual-Path Diffusion for Facial Animation
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
本文提出KSDiff框架，通过双路径语音编码器和关键帧建立学习模块，提升语音驱动面部动画的唇同步和头部姿态自然度。
2026-04-11 cs.AI cs.CV cs.GR
