自动驾驶

TrajDiff: End-to-end Autonomous Driving without Perception Annotation

TrajDiff: 无需感知标注的端到端自动驾驶

Xingtai Gui, Jianbo Zhao, Wencheng Han, Jikai Wang, Jiahao Gong, Feiyang Tan, Cheng-zhong Xu, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学智能物联网与交通系统研究中心，计算机学院） ； University of Science and Technology of China（中国科学技术大学） ； Mach Drive 纠错

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

AI总结 TrajDiff通过无需感知标注的轨迹导向鸟瞰图扩散框架，实现了端到端自动驾驶，达到领先性能。

PEFT-DML: Parameter-Efficient Fine-Tuning Deep Metric Learning for Robust Multi-Modal 3D Object Detection in Autonomous Driving

PEFT-DML：参数高效微调深度度量学习用于自动驾驶中鲁棒的多模态3D物体检测

Abdolazim Rezaei, Mehdi Sookhak

专题命中 感知 ：autonomous driving(title,abstract)；LiDAR(abstract)；分类 cs.CV、cs.AI

AI总结 PEFT-DML通过参数高效微调深度度量学习，提升自动驾驶中多模态3D物体检测的鲁棒性和准确性。

Data-Centric Visual Development for Self-Driving Labs

以数据为中心的自动驾驶实验室视觉发展

Anbang Liu, Guanzhong Hu, Jiayi Wang, Ping Guo, Han Liu

机构 * Department of Computer Science, Northwestern University（计算机科学系，西北大学） ； Department of Mechanical Engineering, Northwestern University（机械工程系，西北大学） 纠错

专题命中 感知 ：self-driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 本文提出了一种融合真实与虚拟数据生成的混合管道，用于解决自动驾驶实验室中pipetting任务的训练数据稀缺问题，通过人机协作和图像生成技术提升气泡检测的鲁棒性。

Comments 11 pages, 4 figures

3EED: Ground Everything Everywhere in 3D

3EED: 在三维中万物皆 grounded

Rong Li, Yuhao Dong, Tianshuai Hu, Ao Liang, Youquan Liu, Dongyue Lu, Liang Pan, Lingdong Kong, Junwei Liang, Ziwei Liu

机构 * WorldBench Team（WorldBench团队） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 3EED提出一个大规模多平台多模态三维 grounding 基准测试，通过提供丰富的户外场景数据和跨平台学习技术，推动语言驱动的三维具身感知研究。

Comments NeurIPS 2025 DB Track; 38 pages, 17 figures, 10 tables; Project Page at https://project-3eed.github.io/

ADA-DPM: A Neural Descriptors-based Adaptive Noise Filtering Strategy for SLAM

ADA-DPM: 基于神经描述符的自适应噪声过滤策略用于SLAM

Yongxin Shao, Aihong Tan, Binrui Wang, Yinlian Jin, Licong Guan, Peng Liao

机构 * College of Metrology Measurement and Instrument（计量测量与仪器学院） ； College of Mechanical and Electrical Engineering（机械与电气工程学院） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO、cs.AI

AI总结 ADA-DPM通过动态分割、全局重要性评分和跨层图卷积模块，提升SLAM中动态物体干扰和噪声的鲁棒性。

A Minimal Subset Approach for Informed Keyframe Sampling in Large-Scale SLAM

大规模SLAM中用于有信息关键帧采样的最小子集方法

Nikolaos Stathoulopoulos, Christoforos Kanellakis, George Nikolakopoulos

机构 * Robotics and AI Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能组，计算机、电气与空间工程系，卢勒奥技术大学） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出了一种基于最小子集方法的在线关键帧采样技术，通过减少冗余和保留信息来提升大规模SLAM中的闭环检测性能和定位精度。

Comments Please cite the published version. 8 pages, 9 figures

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 738-745, 2026

Physical ID-Transfer Attacks against Multi-Object Tracking via Adversarial Trajectory

针对多目标跟踪的物理ID转移攻击

Chenyi Wang, Yanmao Man, Raymond Muller, Ming Li, Z. Berkay Celik, Ryan Gerdes, Jonathan Petit

机构 * University of Arizona（亚利桑那大学） ； HERE Technologies（HERE技术公司） ； Purdue University（普渡大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出AdvTraj，一种针对多目标跟踪的在线物理ID转移攻击，通过对抗性轨迹干扰跟踪系统，提升系统鲁棒性。

Comments Accepted to Annual Computer Security Applications Conference (ACSAC) 2024

Language-Guided Open-World Anomaly Segmentation

语言引导的开放世界异常分割

Klara Reichard, Nikolas Brasch, Nassir Navab, Federico Tombari

机构 * Technical University of Munich（慕尼黑技术大学） ； BMW Group（宝马集团） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 基于CLIP的开放世界异常分割方法，通过零样本学习实现未知物体的分割与命名，提升自动驾驶中的异常检测能力。

OpenBox: Annotate Any Bounding Boxes in 3D

OpenBox: 任意3D边界框的标注

In-Jae Lee, Mungyeom Kim, Kwonyoung Ryu, Pierre Musacchio, Jaesik Park

机构 * Seoul National University（首尔国立大学） ； POSTECH 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 OpenBox通过2D视觉基础模型实现无需自我训练的高质量3D边界框标注，提升自动驾驶中物体检测的准确性和效率。

Comments Accepted by NeurIPS 2025

VSRD++: Autolabeling for 3D Object Detection via Instance-Aware Volumetric Silhouette Rendering

VSRD++: 通过实例感知的体素轮廓渲染实现3D目标检测的自标注

Zihua Liu, Hiroki Sakuma, Masatoshi Okutomi

机构 * Department of System and Control Engineering, Institute of Science Tokyo, Tokyo（系统与控制工程系，科学东京研究所） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 VSRD++通过实例感知的体素轮廓渲染技术实现单目3D目标检测的弱监督自标注，有效提升静态和动态场景下的检测性能。

Comments arXiv admin note: text overlap with arXiv:2404.00149

Multi-Scenario Highway Lane-Change Intention Prediction: A Physics-Informed AI Framework for Three-Class Classification

多场景高速公路变道意图预测：一种融合物理的AI框架用于三类分类

Jiazhao Shi, Yichen Lin, Yiheng Hua, Ziyu Wang, Zijian Zhang, Wenjia Zheng, Yun Song, Kuan Lu, Shoufeng Lu

专题命中 感知 ：autonomous driving(abstract)；分类 cs.AI

AI总结 本文提出融合物理的AI框架，通过整合车辆动力学和交通安全指标，实现高速公路变道意图的三类分类预测，提升自动驾驶系统的安全性和决策能力。

Improving Partially Observed Trajectories Forecasting by Target-driven Self-Distillation

通过目标驱动自蒸馏改进部分观测轨迹预测

Peng Shu, Pengfei Zhu, Mengshi Qi, Liang Liu

机构 * State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出目标驱动自蒸馏方法，通过单端到端训练提升部分观测轨迹预测的准确性，实验表明在多个数据集上效果显著。

Gradient Inversion in Federated Reinforcement Learning

联邦强化学习中的梯度反向

Shenghong He

机构 * Distributed Computing Research Center（分布式计算研究中心） 纠错

专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.AI

AI总结 本文提出RGIA方法，通过正则化梯度反向攻击，有效重建联邦强化学习中的本地私有数据。

Decision-Focused Learning for Neural Network-Constrained HVAC Scheduling

面向神经网络约束的建筑自动控制决策聚焦学习

Pietro Favaro, Jean-François Toubeau, François Vallée, Yury Dvorkin

专题命中 规划控制 ：occupancy(abstract)

AI总结 本文提出一种基于决策聚焦学习和随机平滑的HVAC管理系统，通过神经网络约束优化建筑能耗和电网服务性能。

Comments 14 pages; accepted IEEE Transactions on Smart Grid;

SocialDriveGen: Generating Diverse Traffic Scenarios with Controllable Social Interactions

SocialDriveGen: 生成具有可控社会互动的多样化交通场景

Jiaguo Tian, Zhengbang Zhu, Shenyu Zhang, Li Xu, Bo Zheng, Xu Liu, Weiji Peng, Shizeng Yao, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Chongqing Changan Automobile Co. Ltd（重庆长安汽车有限公司） 纠错

专题命中 规划控制 ：autonomous driving(abstract)

AI总结 SocialDriveGen通过整合语义推理和社会偏好建模，生成具有可控社会互动的多样化交通场景，提升自动驾驶策略的鲁棒性和泛化能力。

Delta-Triplane Transformers as Occupancy World Models

Delta-Triplane Transformers 作为占用世界模型

Haoran Xu, Peixi Peng, Guang Tan, Yiqian Chang, Yisen Zhao, Yonghong Tian

机构 * School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（南方科技大学深圳校区智能系统工程学院） ； Peng Cheng Laboratory（鹏城实验室） ； School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院） ； School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区计算机科学与技术学院） ； School of Computer Science, Peking University（北京大学计算机学院） 纠错

专题命中 端到端驾驶 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 Delta-Triplane Transformers 通过紧凑的3D表示和增量预测策略，提升自动驾驶中占用世界模型的效率与准确性。

InsightDrive: Insight Scene Representation for End-to-End Autonomous Driving

InsightDrive: 用于端到端自动驾驶的洞察场景表示

Ruiqi Song, Xianda Guo, Yanlun Peng, Qinggong Wei, Hangbin Wu, Long Chen

机构 * College of Surveying and Geo-informatics, Tongji University（同济大学测绘与地理信息学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； The School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Great Wall Motor（长城汽车） ； IAIR, Xi’an Jiaotong University（西安交通大学IAIR） 纠错

专题命中 端到端驾驶 ：autonomous driving(title,abstract)；trajectory planning(abstract)；分类 cs.CV

AI总结 InsightDrive通过结合显式和隐式场景表示，提升自动驾驶轨迹规划的鲁棒性和人类认知一致性。

World Model Robustness via Surprise Recognition

通过惊喜识别提升世界模型鲁棒性

Geigh Zollicoffer, Tanush Chopra, Mingkuan Yan, Xiaoxu Ma, Kenneth Eaton, Mark Riedl

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 端到端驾驶 ：self-driving(abstract)；分类 cs.AI

AI总结 通过惊喜识别提升世界模型在噪声环境下的鲁棒性，增强自动驾驶模拟中智能体的稳定性与性能

DREAMer-VXS: A Latent World Model for Sample-Efficient AGV Exploration in Stochastic, Unobserved Environments

DREAMer-VXS：一种用于在随机、未观测环境中高效样本AGV探索的潜在世界模型

Agniprabha Chakraborty

机构 * Department of Power Engineering, Jadavpur University（功率工程系，贾瓦德普尔大学） 纠错

专题命中 端到端驾驶 ：LiDAR(abstract)；分类 cs.RO

AI总结 DREAMer-VXS通过高效样本利用和潜在世界模型，实现AGV在随机未观测环境中的高效探索与鲁棒导航

Canonical Distribution of the Occupancy Numbers of Bosonic Systems

玻色系统占据数的规范分布

Arnaldo Spalvieri

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

AI总结 本文推导了玻色系统占据数的规范分布，证明其渐近趋于多项分布，并指出当前接受的分布与规范系统观念不兼容。

Data-Driven Multi-Emitter Localization Using Spatially Distributed Power Measurements

基于空间分布功率测量的数据驱动多发射源定位

H. Nazim Bicer

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文提出两种CNN方法，利用稀疏采样功率图实现多发射源检测与定位，通过统一训练目标处理未知发射机数量，实验表明在极端传感器稀疏条件下，两阶段方法表现优异。

Comments This is a report submitted for 1st year PhD Qualifier. Not Submitted to a conference

Compression of executable QR codes or sQRy for Industry: an example for Wi-Fi access points

可执行QR码或sQRy的压缩：工业应用的一个例子——以Wi-Fi接入点为例

Stefano Scanzio, Gabriele Formis, Pietro Chiavassa, Lukasz Wisniewski, Gianluca Cena

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文提出了一种减少sQRy中字符串占用空间的策略，以扩大其在工业应用中的适用性。

Comments preprint accepted, 4 pages, 2025

Journal ref 21st IEEE International Conference on Factory Communication Systems (WFCS 2025)

LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures

LiNeXt：重新审视基于高效非扩散架构的LiDAR补全

Wenzhe He, Xiaojun Chen, Ruiqi Wang, Ruihui Li, Huilong Pi, Jiapeng Zhang, Zhuo Tang, Kenli Li

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 LiNeXt通过高效非扩散架构实现快速准确的LiDAR点云补全，提升实时性能并减少计算开销。

Comments 18 pages, 13 figures, Accepted to AAAI 2026

SPIRAL: Semantic-Aware Progressive LiDAR Scene Generation and Understanding

SPIRAL: 基于语义的渐进式LiDAR场景生成与理解

Dekai Zhu, Yixuan Hu, Youquan Liu, Dongyue Lu, Lingdong Kong, Slobodan Ilic

机构 * Technical University of Munich（慕尼黑技术大学） ； Fudan University（复旦大学） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 Spiral提出了一种基于范围视图的LiDAR扩散模型，能够同时生成深度、反射图像和语义地图，实现高效的3D场景生成与理解。

Comments NeurIPS 2025; 24 pages, 10 figures, 9 tables; Code at https://github.com/worldbench/SPIRAL

Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression

我们是否已经看到了一切？基于场景图的深度点云压缩

Nikolaos Stathoulopoulos, Christoforos Kanellakis, George Nikolakopoulos

机构 * Robotics and AI Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能组，计算机、电子与航天工程系，卢勒阿大学技术学院） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出基于场景图的深度点云压缩框架，通过语义感知编码和结构化解码实现高效压缩，保留结构和语义信息，并支持多机器人系统中的下游应用。

Comments Please cite published version. 8 pages, 6 figures

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 12, pp. 12477-12484, 2025

HiMo: High-Speed Objects Motion Compensation in Point Clouds

HiMo：点云中高速物体运动补偿

Qingwen Zhang, Ajinkya Khoche, Yi Yang, Li Ling, Sina Sharif Mansouri, Olov Andersson, Patric Jensfelt

机构 * Division of Robotics, Perception, and Learning, KTH Royal Institute of Technology（机器人、感知与学习系，皇家理工学院） ； Scania Group（斯堪尼亚集团） ； Autonomous Transport Solutions Lab, Scania Group（自主运输解决方案实验室，斯堪尼亚集团） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 HiMo通过SeFlow++实时场景流估计器，解决点云中高速移动物体引起的运动失真问题，提升动态物体的几何一致性和视觉保真度。

Comments 15 pages, 13 figures, Published in Transactions on Robotics (Volume 41)

New Spiking Architecture for Multi-Modal Decision-Making in Autonomous Vehicles

多模态决策中自动驾驶车辆的新脉冲架构

Aref Ghoreishee, Abhishek Mishra, Lifeng Zhou, John Walsh, Nagarajan Kandasamy

机构 * Electrical and Computer Engineering Department（电子与计算机工程系） 纠错

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 本文提出了一种基于脉冲神经元的高效多模态决策架构，用于提升自动驾驶车辆的实时决策能力。

Mount Rainier Elevation Survey 2024

2024年雷尼尔山高度测量

Eric Gilbertson, Larry Signani, Kathryn Stanchak

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 2024年对雷尼尔山进行高度测量，发现哥伦比亚顶峰因冰川消退不再为最高点，山顶现位于西南 rim，新高度为14,399.6英尺

Multimodal Mixture-of-Experts for ISAC in Low-Altitude Wireless Networks

多模态专家混合模型用于低空无线网络中的ISAC

Kai Zhang, Wentao Yu, Hengtao He, Shenghui Song, Jun Zhang, Khaled B. Letaief

机构 * IEEE 纠错

专题命中 多传感器融合 ：LiDAR(abstract)

AI总结 本文提出了一种多模态专家混合模型，用于提升低空无线网络中ISAC的性能，通过自适应融合策略提高环境感知和通信效率。

RoaD: Rollouts as Demonstrations for Closed-Loop Supervised Fine-Tuning of Autonomous Driving Policies

RoaD: 通过回滚作为演示实现自动驾驶策略的闭环监督微调

Guillermo Garcia-Cobo, Maximilian Igl, Peter Karkus, Zhejun Zhang, Michael Watson, Yuxiao Chen, Boris Ivanovic, Marco Pavone

机构 * NVIDIA Research（NVIDIA研究部） ； Huawei VN Research Center（华为越南研究中心） ； Stanford University（斯坦福大学） 纠错

专题命中 仿真评测 ：autonomous driving(title,abstract)；end-to-end driving(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 RoaD通过利用自动驾驶策略自身的闭环回滚作为额外训练数据，有效缓解协变量偏移问题，提升闭环监督微调性能。

Comments Preprint