自动驾驶

Faster Training, Fewer Labels: Self-Supervised Pretraining for Fine-Grained BEV Segmentation

更快的训练，更少的标签：用于细粒度BEV分割的自监督预训练

Daniel Busch, Christian Bohn, Thomas Kurbiel, Klaus Friedrichs, Richard Meyes, Tobias Meisen

机构 * University of Wuppertal（乌珀塔尔大学） ； APTIV（APTIV公司） 纠错

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

AI总结 本文提出一种自监督预训练方法，通过减少标注数据和训练时间，提升细粒度BEV分割性能。

Comments This Paper has been accepted to the 2026 IEEE Intelligent Vehicles Symposium (IV)

GraphGSOcc: Semantic-Geometric Graph Transformer with Dynamic-Static Decoupling for 3D Gaussian Splatting-based Occupancy Prediction

GraphGSOcc: 基于语义-几何图变换器的3D高斯散射体占用预测方法，采用动态-静态解耦

Ke Song, Yunhe Wu, Chunchit Siu, Huiyuan Xiong

机构 * School of Intelligent Systems Engineering（智能系统工程学院） ； Sun Yat-sen University（中山大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 GraphGSOcc通过结合语义和几何图变换器，解耦动态-静态物体优化，提升3D高斯散射体占用预测的性能和效率。

Journal ref IEEE Transactions on Circuits and Systems for Video Technology 2026

Phononic Combs in Lithium Niobate Acoustic Resonators

铌酸锂声学谐振器中的声学梳

Ian Anderson, Jack Kramer, Tzu-Hsuan Hsu, Yinan Wang, Vakhtang Chulukhadze, Ruochen Lu

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 本研究利用铌酸锂声学谐振器中的热非线性，通过257 MHz输入功率生成微波频率梳，展示了紧凑高效微波频率梳的潜力。

Comments 6 Pages, 4 Figures

Journal ref Appl. Phys. Lett. 128, 052201 (2026)

When Digital Twins Meet Large Language Models: Realistic, Interactive, and Editable Simulation for Autonomous Driving

当数字孪生遇见大语言模型：用于自动驾驶的逼真、交互和可编辑的模拟

Tanmay Vilas Samak, Chinmay Vilas Samak, Bing Li, Venkat Krovi

机构 * Department of Automotive Engineering, Clemson University International Center for Automotive Research (CU-ICAR)（汽车工程系，克莱姆森大学国际汽车研究中心（CU-ICAR）） 纠错

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

AI总结 本文提出结合数字孪生与大语言模型的框架，实现自动驾驶场景的逼真、交互和可编辑模拟，提升自动驾驶研究的效率和真实性。

Comments Accepted in IEEE Robotics & Automation Magazine (RAM)

Dynamic Deception: When Pedestrians Team Up to Fool Autonomous Cars

动态欺骗：当行人联手欺骗自动驾驶汽车

Masoud Jamshidiyan Tehrani, Marco Gabriel, Jinhan Kim, Paolo Tonella

机构 * Università della Svizzera italiana（瑞士意大利大学） 纠错

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

AI总结 本文提出通过多个动态元素协作放大对抗信号，以引发自动驾驶车辆的系统级故障，展示动态协作在对抗攻击中的有效性。

View Invariant Learning for Vision-Language Navigation in Continuous Environments

连续环境中视觉语言导航的视角不变学习

Josh Qixuan Sun, Huaiyuan Weng, Xiaoying Xing, Chul Min Yeum, Mark Crowley

机构 * Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学） ； Department of Civil and Environmental Engineering, University of Waterloo（土木与环境工程系，滑铁卢大学） ； Department of Electrical and Computer Engineering, Northwestern University（电气与计算机工程系，西北大学） 纠错

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

AI总结 本文提出VIL框架，通过对比学习和教师-学生机制提升连续环境中视觉语言导航的视角鲁棒性，实验表明其在多个基准数据集上性能优越。

Comments This paper is accepted to RA-L 2026

Reducing Text Bias in Synthetically Generated MCQAs for VLMs in Autonomous Driving

减少自动驾驶VLMs中合成生成MCQA的文本偏差

Sutej Kulgod, Sean Ye, Sanchit Tanwar, Christoffer Heckman

机构 * Zoox, Inc.（Zoox公司） 纠错

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

AI总结 本文提出方法减少自动驾驶VLMs中合成生成MCQA的文本偏差，通过解耦正确答案与语言痕迹并采用课程学习策略，使模型依赖视觉基础以提升感知理解能力。

Comments 7 pages, 2 figures