自动驾驶

EgoFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving

EgoFSD：面向端到端自动驾驶的以自我为中心的完全稀疏范式，结合不确定性去噪和迭代细化

Haisheng Su, Wei Wu, Zhenjie Yang, Isabel Guan

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； SenseAuto ； The Hong Kong University of Science and Technology（香港理工大学） 纠错

专题命中 端到端驾驶 ：self-driving(title,abstract)；autonomous driving(abstract)；end-to-end driving(abstract)；分类 cs.RO、cs.CV

AI总结 EgoFSD通过引入稀疏感知、分层交互和迭代运动规划，提升端到端自动驾驶的效率和性能，减少误差和碰撞，提高训练稳定性。

Comments Accepted to ICRA2026

Addressing the Waypoint-Action Gap in End-to-End Autonomous Driving via Vehicle Motion Models

通过车辆运动模型弥合路径点-动作差距以实现端到端自动驾驶

Jorge Daniel Rodríguez-Vidal, Gabriel Villalonga, Diego Porres, Antonio M. López Peña

机构 * Computer Vision Center (CVC)（计算机视觉中心） 纠错

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

AI总结 本文提出一种可微车辆模型框架，通过在路径点空间中监督，使基于动作的架构能够在基于路径点的基准中进行训练和评估，从而弥合路径点-动作差距并提升自动驾驶性能。

Comments 8 pages, 3 figures

RAP: 3D Rasterization Augmented End-to-End Planning

RAP: 3D 像素化增强端到端规划

Lan Feng, Yang Gao, Eloi Zablocki, Quanyi Li, Wuyang Li, Sichao Liu, Matthieu Cord, Alexandre Alahi

机构 * EPFL（苏黎世联邦理工学院） ； Sorbonne Université（索邦大学） 纠错

专题命中 端到端驾驶 ：end-to-end driving(abstract)；分类 cs.RO、cs.CV

AI总结 RAP通过3D像素化增强端到端规划，利用轻量级像素化和特征对齐实现可扩展的数据增强，提升闭环鲁棒性和长尾泛化能力。