自动驾驶

VGGT-MPR: VGGT-Enhanced Multimodal Place Recognition in Autonomous Driving Environments

VGGT-MPR：基于VGGT的多模态地点识别在自动驾驶环境中的应用

Jingyi Xu, Zhangshuo Qi, Zhongmiao Yan, Xuyu Gao, Qianyun Jiao, Songpengcheng Xia, Xieyuanli Chen, Ling Pei

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing Institute of Technology（北京理工大学） ； National University of Defense Technology（国防科技大学） 纠错

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

AI总结 VGGT-MPR通过视觉几何基础的Transformer实现多模态地点识别，在自动驾驶中表现出强鲁棒性。

Perception Characteristics Distance: Measuring Stability and Robustness of Perception System in Dynamic Conditions under a Certain Decision Rule

感知特性距离：在特定决策规则下动态条件下感知系统稳定性与鲁棒性测量

Boyu Jiang, Liang Shi, Zhengzhi Lin, Lanxin Xiang, Loren Stowe, Feng Guo

机构 * Department of Statistics, Virginia Tech（弗吉尼亚理工学院统计学系） ； Virginia Tech Transportation Institute（弗吉尼亚理工学院交通研究所） 纠错

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

AI总结 提出感知特性距离（PCD）作为衡量动态条件下感知系统稳定性与鲁棒性的新指标，并通过SensorRainFall数据集验证其有效性。

Comments This paper has been accepted to the CVPR 2026 Main Conference

MOGS: Monocular Object-guided Gaussian Splatting in Large Scenes

MOGS：在大场景中使用单目物体引导的高斯散射

Shengkai Zhang, Yuhe Liu, Jianhua He, Xuedou Xiao, Mozi Chen, Kezhong Liu

机构 * State Key Laboratory of Maritime Technology and Safety, Wuhan University of Technology（船舶技术与安全国家重点实验室，武汉理工大学） ； University of Essex（埃塞克斯大学） 纠错

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

AI总结 MOGS通过单目视觉-惯性传感器实现大场景中高斯散射的物体引导密集深度生成，显著降低训练时间和内存消耗，同时保持高质量渲染效果。

When the Inference Meets the Explicitness or Why Multimodality Can Make Us Forget About the Perfect Predictor

当推理遇见显式性或为什么多模态可以让我们忘记完美预测器

J. E. Domínguez-Vidal, Alberto Sanfeliu

机构 * Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与信息工业研究所（CSIC-UPC）） ； Universitat Politècnica de Catalunya - BarcelonaTech (UPC)（加泰罗尼亚理工大学-巴塞罗那技术大学（UPC）） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO、cs.AI

AI总结 本文探讨了在人机协作任务中，显式通信与推理系统结合的效果，发现人类更倾向于自然的交互方式，且最佳策略是两者的结合。

Comments Original version submitted to the International Journal of Social Robotics. Final version available on the SORO website

FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories

FLUID: 一种细粒度轻量级密集冲突轨迹的城市信号交叉口数据集

Yiyang Chen, Zhigang Wu, Guohong Zheng, Xuesong Wu, Liwen Xu, Haoyuan Tang, Zhaocheng He, Haipeng Zeng

机构 * School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学） ； Guangdong Provincial Key Laboratory of Intelligent Transportation Systems（广东省智能交通系统重点实验室） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 FLUID数据集通过细粒度轨迹记录和轻量级处理框架，为研究城市信号交叉口的密集冲突提供了高时空精度的数据支持。

Comments 30 pages, 16 figures

LRR-Bench: Left, Right or Rotate? Vision-Language models Still Struggle With Spatial Understanding Tasks

LRR-Bench：左、右还是旋转？视觉-语言模型在空间理解任务上仍面临挑战

Fei Kong, Jinhao Duan, Kaidi Xu, Zhenhua Guo, Xiaofeng Zhu, Xiaoshuang Shi

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Drexel University（德雷塞尔大学） ； Tianyijiaotong Technology Ltd.（天奕交通技术有限公司） 纠错

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

AI总结 LRR-Bench通过合成数据评估视觉-语言模型在空间理解任务上的性能，发现其在复杂任务上的表现远低于人类水平。

RADE-Net: Robust Attention Network for Radar-Only Object Detection in Adverse Weather

RADE-Net：面向恶劣天气的雷达-only目标检测稳健注意力网络

Christof Leitgeb, Thomas Puchleitner, Max Peter Ronecker, Daniel Watzenig

机构 * Infineon Technologies AG（英飞凌科技有限公司） ； Institute of Visual Computing（视觉计算研究所） ； Graz University of Technology（格拉茨工业大学） ； Virtual Vehicle Research GmbH（虚拟车辆研究有限公司） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 RADE-Net通过3D投影方法和轻量模型提升雷达在恶劣天气下的目标检测性能。

Comments Accepted to 2026 IEEE Intelligent Vehicles Symposium (IV)

Task-Oriented Computation Offloading for Edge Inference: An Integrated Bayesian Optimization and Deep Reinforcement Learning Framework

面向任务的边缘推断计算卸载：一种集成贝叶斯优化和深度强化学习的框架

Xian Li, Suzhi Bi, Ying-Jun Angela Zhang

专题命中 感知 ：self-driving(abstract)

AI总结 本文提出LAB框架，结合深度强化学习和贝叶斯优化，解决边缘设备计算卸载中的准确性与延迟权衡问题。

Comments This work has been submitted to the IEEE for possible publication