自动驾驶

Distilling Future Temporal Knowledge with Masked Feature Reconstruction for 3D Object Detection

通过掩码特征重建进行未来时间知识蒸馏以实现3D目标检测

Haowen Zheng, Hu Zhu, Lu Deng, Weihao Gu, Yang Yang, Yanyan Liang

机构 * HAOMO.AI Technology（HAOMO.AI科技公司） 纠错

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

AI总结 本文提出FTKD方法，通过掩码特征重建和未来引导logit蒸馏，提升3D目标检测中未来帧知识的转移效果，实现性能提升。

Comments AAAI-26

MT-Depth: Multi-task Instance feature analysis for the Depth Completion

MT-Depth：多任务实例特征分析用于深度补全

Abdul Haseeb Nizamani, Dandi Zhou, Xinhai Sun

机构 * Saisuode (Shanghai) Intelligent Technology Co., Ltd. (Synthoid.ai)（上海思速德智能科技有限公司（Synthoid.ai）） 纠错

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

AI总结 MT-Depth通过实例感知的多任务实例特征分析，提升深度补全的精度，尤其在物体边界、遮挡和细长结构区域表现优异。

TrajMoE: Scene-Adaptive Trajectory Planning with Mixture of Experts and Reinforcement Learning

TrajMoE: 基于混合专家与强化学习的场景自适应轨迹规划

Zebin Xing, Pengxuan Yang, Linbo Wang, Yichen Zhang, Yiming Hu, Yupeng Zheng, Junli Wang, Yinfeng Gao, Guang Li, Kun Ma, Long Chen, Zhongpu Xia, Qichao Zhang, Hangjun Ye, Dongbin Zhao

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Xiaomi（小米公司） 纠错

专题命中 规划控制 ：trajectory planning(title)；autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 TrajMoE通过混合专家与强化学习方法，实现场景自适应的轨迹规划，提升规划性能并获得基准测试第三名。

Ergodic Trajectory Planning with Dynamic Sensor Footprints

具有动态传感器足迹的遍历轨迹规划

Ziyue Zheng, Yongce Liu, Hesheng Wang, Zhongqiang Ren

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 本文提出了一种考虑动态传感器足迹的遍历轨迹规划方法，通过优化轨迹和传感器足迹提升信息采集效率。

Comments 12 figures

An Online Optimization-Based Trajectory Planning Approach for Cooperative Landing Tasks

一种基于在线优化的协作着陆任务轨迹规划方法

Jingshan Chen, Lihan Xu, Henrik Ebel, Peter Eberhard

机构 * Institute of Engineering and Computational Mechanics, University of Stuttgart（斯图加特大学工程与计算力学研究所） ； Department of Mechanical Engineering, LUT University（卢托拉大学机械工程系） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO

AI总结 本文提出了一种基于在线优化的协作着陆轨迹规划方法，通过互补约束实现多机器人自主协调，提升着陆任务的安全性和效率。

Journal ref Proceedings of the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

RLCNet: An end-to-end deep learning framework for simultaneous online calibration of LiDAR, RADAR, and Camera

RLCNet: 一种用于同时在线校准激光雷达、雷达和摄像头的端到端深度学习框架

Hafeez Husain Cholakkal, Stefano Arrigoni, Francesco Braghin

机构 * Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工学院） 纠错

专题命中 端到端驾驶 ：LiDAR(title,abstract)；分类 cs.RO、cs.CV

AI总结 RLCNet通过端到端深度学习框架实现激光雷达、雷达和摄像头的同时在线校准，提升自动驾驶系统在动态环境中的感知可靠性。

OCCDiff: Occupancy Diffusion Model for High-Fidelity 3D Building Reconstruction from Noisy Point Clouds

OCCDiff：基于点云的高保真3D建筑重建的占用扩散模型

Jialu Sui, Rui Liu, Hongsheng Zhang

机构 * Department of Geography, Faculty of Social Science, the University of Hong Kong（地理系，社会科学学院，香港大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；LiDAR(abstract)；分类 cs.CV

AI总结 OCCDiff通过潜在扩散和函数自动编码器生成高保真3D建筑重建，结合点编码器与多任务训练提升鲁棒性与精度。

2Fast-2Lamaa: Large-Scale Lidar-Inertial Localization and Mapping with Continuous Distance Fields

2Fast-2Lamaa：基于连续距离场的大规模激光雷达-惯性定位与建图

Cedric Le Gentil, Raphael Falque, Daniil Lisus, Timothy D. Barfoot

机构 * Robotics Institute, University of Toronto Institute for Aerospace Studies, Canada（多伦多大学航空航天研究所） ； Robotics Institute, University of Technology Sydney, Australia（悉尼技术大学机器人研究所） 纠错

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

AI总结 2Fast-2Lamaa通过连续距离场实现大规模激光雷达-惯性定位与建图，结合优化去畸变和高斯过程地图构建，实现高精度实时定位与建图。

A Sensor-Aware Phenomenological Framework for Lidar Degradation Simulation and SLAM Robustness Evaluation

一种面向传感器的现象学框架用于激光雷达退化仿真和SLAM鲁棒性评估

Doumegna Mawuto Koudjo Felix, Xianjia Yu, Zhuo Zou, Tomi Westerlund

机构 * Turku Intelligent Embedded and Robotic Systems (TIERS) Lab , University of Turku（图尔库智能嵌入与机器人系统实验室，图尔库大学） ； School of Information Science and Technology, Fudan University（信息科学与技术学院，复旦大学） 纠错

专题命中 仿真评测 ：LiDAR(title,abstract)；分类 cs.RO

AI总结 本文提出一种面向传感器的现象学框架，用于模拟激光雷达退化并评估SLAM系统的鲁棒性，通过保留点云结构并应用多种退化方法，实现可控的仿真测试。

A Multi-Agent LLM Framework for Design Space Exploration in Autonomous Driving Systems

多智能体大语言模型框架用于自动驾驶系统的设计空间探索

Po-An Shih, Shao-Hua Wang, Yung-Che Li, Chia-Heng Tu, Chih-Han Chang

机构 * National Cheng Kung University（国立成功大学） ； Safeware Technology Inc.（Safeware技术公司） 纠错

专题命中 仿真评测 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 本文提出基于多智能体大语言模型的自动驾驶系统设计空间探索框架，通过多模态推理和3D模拟工具自动化解析执行输出，提升设计效率和成本效益。

Incremental Generalized Hybrid A*

增量通用混合A*

Sidharth Talia, Oren Salzman, Siddhartha Srinivasa

机构 * University of Washington（华盛顿大学） ； Technion-Israel Institute of Technology（技术ion-以色列理工学院） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO

AI总结 Incremental Generalized Hybrid A*通过动态组织顶点扩展，提高了复杂动态下的实时规划效率。

Comments 8 pages, 7 figures, Accepted to IEEE RA-L, Nov 2025