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。