自动驾驶

Toward Fully Autonomous Driving: AI, Challenges, Opportunities, and Needs

迈向完全自动驾驶：人工智能、挑战、机遇与需求

Lars Ullrich, Michael Buchholz, Klaus Dietmayer, Knut Graichen

机构 * Institute of Measurement, Control and Microtechnology（测量、控制与微技术研究所） ； Ulm University（乌尔姆大学） 纠错

专题命中 其他自动驾驶 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 本文探讨了人工智能在完全自动驾驶中的挑战、机遇及需求，分析了AI在提升自动驾驶能力方面的潜力与限制。

Comments Published in IEEE Access, 29 January 2026

Journal ref IEEE Access, 29 January 2026, pp. 1--26

A Serverless Edge-Native Data Processing Architecture for Autonomous Driving Training

用于自动驾驶训练的无服务器边缘原生数据处理架构

Fabian Bally, Michael Schötz, Thomas Limbrunner

专题命中 其他自动驾驶 ：autonomous driving(title,abstract)

AI总结 本文提出Lambda框架，通过无服务器架构实现边缘计算中的实时数据处理，提升自动驾驶训练效率。

Comments Source code is available at https://github.com/LASFAS/jblambda

PoSafeNet: Safe Learning with Poset-Structured Neural Nets

PoSafeNet: 基于偏序结构神经网络的安全学习

Kiwan Wong, Wei Xiao, Daniela Rus

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Worcester Polytechnic Institute（沃斯特理工学院） 纠错

专题命中 其他自动驾驶 ：autonomous driving(abstract)；分类 cs.RO

AI总结 PoSafeNet通过偏序结构神经网络实现安全学习，通过可微神经安全层在偏序一致约束顺序下进行闭式投影，提升机器人系统在多障碍导航、受约束操作和自动驾驶中的可行性、鲁棒性和可扩展性。

AutoMerge: Search-Based Model Merging Framework for Effective Model Reuse

AutoMerge: 基于搜索的模型合并框架，用于有效模型重用

You Lu, Jiyang Zhang, Bihuan Chen, Chaofeng Sha, Dingji Wang, Xin Peng

专题命中 其他自动驾驶 ：autonomous driving(abstract)

AI总结 AutoMerge提出了一种基于搜索的模型合并框架，通过分割模型并系统探索合并空间，以提高不同架构模型间的重用效率。