自动驾驶

Exploring Easy Boosts for Lidar Semantic Scene Completion

探索激光雷达语义场景补全的简易提升方法

Tetiana Martyniuk, Jonathan Seele, Alexandre Boulch, Gilles Puy, Renaud Marlet, Raoul de Charette

机构 * Inria, France（法国国家信息与自动化技术研究所） ； valeo.ai, France（valeo.ai公司） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） ； LIGM, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France（法国高等科学研究院（CNRS）） 纠错

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

AI总结 本文研究无需复杂架构重设计的“免费午餐”策略，通过为输入点云添加语义伪标签和可见性信息，显著提升激光雷达语义场景补全性能，使旧模型与最先进系统竞争甚至超越。

Comments Accepted to ICIP 2026

Three-dimensional density and air-rock interface reconstruction with muography: Application to the TianQin tunnel

基于缪子成像的三维密度与空气-岩石界面重建：天琴隧道应用

Songran Qi, Tao Yu, Shihan Zhao, Yunsong Ning, Aiyu Bai, Yu Chen, Yi Yuan, Mingchen Sun, Zhirui Liu, Liang Xian, Hengye Xu, Hao Jiang, Zhichao Wang, Shuhang Zhang, Su Zhan, Jian Tang

专题命中 激光雷达 ：LiDAR(abstract,abstract_cn)

AI总结 针对有限测量位置和稀疏数据导致的模糊伪影问题，提出优化的Metropolis-Hastings算法和反距离加权方法，实现高精度三维密度分布和空气-岩石界面重建，并通过天琴隧道实验验证。

SRENet: Spectral Re-Entry Network for Point Cloud Action Recognition

SRENet：用于点云动作识别的频谱重入网络

Qiuxia Wu, Jiarui Lan, Wenxiong Kang, Zhiyong Wang, Kun Hu

机构 * School of Software Engineering, South China University of Technology（南方科技大学软件工程学院） ； School of Automation Science and Engineering, South China University of Technology（南方科技大学自动化科学与工程学院） ； School of Computer Science, University of Sydney（悉尼大学计算机科学学院） ； School of Science, Edith Cowan University（爱丁堡牛津大学科学学院） 纠错

专题命中 激光雷达 ：autonomous driving(abstract)；分类 cs.CV

AI总结 提出SRENet，通过频谱分解与重入模块从频率角度学习全局上下文和细粒度时间动态，实现点云序列动作识别。

Comments 13 pages, 11 figures. Accepted by IEEE Transactions on Circuits and Systems for Video Technology

Ultrafast and long-term stability Integrated Pockels laser with thin-film PZT

基于薄膜PZT的超快且长期稳定的集成普克尔斯激光器

Yueyang Zhang, Chenlei Li, Tao Shu, Wei Chen, Cunyu Shi, Feng Qiu, Daoxin Dai

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 利用薄膜锆钛酸铅（PZT）的普克尔斯效应实现频率捷变混合外腔激光器，具有82 nm调谐范围、5.5 ns波长切换时间和超过56.7 dB的边模抑制比。

Comments 12 pages, 4 figures

Wind as Driver of Bird and Bat Abundance, Flight Direction, Altitude, and Speed on the North Atlantic Shelf

风作为北大西洋陆架上鸟类和蝙蝠丰度、飞行方向、高度和速度的驱动因素

Abigale Snortland, Jeff Clerc, Cris Hein, Emma Cotter

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 通过耦合雷达和激光雷达数据，研究风对海上鸟类和蝙蝠行为的影响，为碰撞风险模型提供框架。

Towards Compact Autonomous Driving Perception with Balanced Learning and Multi-sensor Fusion

面向紧凑型自动驾驶感知的平衡学习与多传感器融合

Oskar Natan, Jun Miura

机构 * Department of Computer Science and Engineering, Toyohashi University of Technology（计算机科学与工程系，丰田寺大学） ； Department of Computer Science and Electronics, Gadjah Mada University（计算机科学与电子系，加查马达大学） 纠错

专题命中 多传感器融合 ：autonomous driving(title,abstract)；driving perception(title,abstract)；LiDAR(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 提出一种紧凑的深度多任务学习模型，通过自适应损失加权和中间传感器融合技术，在单次前向传播中同时处理语义分割、深度估计、激光雷达分割和鸟瞰投影，实现高效自动驾驶感知。

Comments This work has been accepted for publication in IEEE Transactions on Intelligent Transportation Systems. https://ieeexplore.ieee.org/document/9712213

Reliability-Guided Depth Fusion for Glare-Resilient Navigation Costmaps

基于可靠性引导的深度融合用于抗眩光导航代价地图

Shang-En Tsai

专题命中 多传感器融合 ：occupancy(abstract)；分类 cs.RO

AI总结 针对反光地面、玻璃边界等表面导致的深度测量噪声，提出基于显式深度可靠性建模的代价地图构建方法，通过DRM-Net预测像素级可靠性并采用加权门控融合机制抑制错误占据更新，实验证明能有效减少虚假障碍并保持实时性能。

XD-RCDepth: Lightweight Radar-Camera Depth Estimation with Explainability-Aligned and Distribution-Aware Distillation

XD-RCDepth: 轻量级雷达-相机深度估计，具有可解释性对齐和分布感知蒸馏

Huawei Sun, Zixu Wang, Xiangyuan Peng, Julius Ott, Georg Stettinger, Lorenzo Servadei, Robert Wille

机构 * Technical University of Munich（慕尼黑技术大学） ； Infineon Technologies AG（英飞凌科技） 纠错

专题命中 多传感器融合 ：autonomous driving(abstract)；分类 cs.CV

AI总结 提出轻量级雷达-相机深度估计架构XD-RCDepth，通过可解释性对齐蒸馏和深度分布蒸馏减少参数29.7%并保持精度，在nuScenes和ZJU-4DRadarCam数据集上实现实时性能。

GN0: Toward a Unified Paradigm for Generation, Evaluation, and Policy Learning in Visual-Language Navigation

GN0：迈向视觉语言导航中生成、评估与策略学习的统一范式

Xinhai Li, Xiaotao Zhang, Yuehao Huang, Jiankun Dong, Tianhang Wang, Sunyao Zhou, Yunzi Wu, Chengnuo Sun, Yunfei Ge, Qizhen Weng, Chi Zhang, Chenjia Bai, Xuelong Li

机构 * Institute of Artificial Intelligence, China Telecom（人工智能研究院，中国电信） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Tongji University（同济大学） ； Fudan University（复旦大学） ； Jiangsu University（江苏大学） 纠错

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

AI总结 提出GN0统一框架，通过自动生成大规模导航数据集GN-Matrix、基于3DGS的高保真仿真平台和BEV基准GN-Bench，结合RL驱动的导航基础模型BAE，在VLN任务上超越现有方法。

EvoDrive: Pareto Evolution for Safety-Critical Autonomous Driving via Self-Improving LLM Agents

EvoDrive: 通过自我改进的LLM智能体实现安全关键自动驾驶的帕累托进化

Tong Nie, Yuewen Mei, Yihong Tang, Junlin He, Jie Deng, Jian Sun, Wei Ma

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

AI总结 提出EvoDrive，首个基于LLM的自动化智能体进化框架，通过模拟器接地演员-评论家架构和帕累托存档，在安全关键场景生成中实现对抗性与真实性的多目标优化。

OVO-S-Bench: A Hierarchical Benchmark for Streaming Spatial Intelligence in Multimodal LLMs

OVO-S-Bench：多模态大语言模型中流式空间智能的分层基准

Yifei Li, Pengyiang Liu, Yuhang Zang, Zhongyue Shi, Qi Fu, Hongye Hao, Jiwen Lu

机构 * Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Beihang University（北京航空航天大学） 纠错

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

AI总结 提出OVO-S-Bench，一个完全人工标注的流式空间智能基准，包含1680个问题，涵盖四个抽象层次，评估38个MLLM，发现Gemini-3.1-Pro落后人类专家27分，流式空间微调MLLM表现不如其骨干模型。

Comments 48 pages, 12 figures, 15 tables. Project page: https://internlm.github.io/OVO-S-Bench/