自动驾驶

Degenerate in Whose Frame? An Equivariance Condition for Degeneracy Detection in LiDAR Registration

在谁的坐标系中退化？激光雷达配准的退化检测的等变性条件

Yujie Zhang, Chunlei Zhao, Yuzong Lin, Yuxuan Guo, Xiaohui Jia, Jinyue Liu

机构 * School of Mechanical Engineering, Hebei University of Technology（河北工业大学机械工程学院） 纠错

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

AI总结 该研究针对激光雷达配准退化检测中坐标系依赖问题，提出等变度量规则，构建等变点位移度量，经实验验证其特征值与阈值的不变性，为退化检测提供坐标系无关的准则。

Comments 8 pages, 4 figures, 5 tables. Submitted to IEEE Robotics and Automation Letters (RA-L)

LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization

LightLoc++：面向高效室外激光雷达定位的传感器鲁棒性表示学习

Wen Li, Shangshu Yu, Dunqiang Liu, Qiming Xia, Sheng Ao, Siqi Shen, Chenglu Wen, Cheng Wang

机构 * Xiamen University（厦门大学） ； University of Bristol（布里斯托大学） ； Northeastern University（东北大学） 纠错

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

AI总结 LightLoc++通过引入SULID数据集与跨传感器一致性学习预训练传感器鲁棒骨干，结合样本分类引导与冗余样本下采样，实现高效室外激光雷达定位，性能最优且新场景训练成本最低。

Comments 19 pages, 10 figures

Inherently unpredictable beam steering for quantum LiDAR

固有不可预测的量子雷达光束定向

Junyeop Kim, Dongjin Lee, Woncheol Shin, Yeoulheon Seong, Heedeuk Shin

专题命中 激光雷达 ：LiDAR(title,abstract)

AI总结 本研究提出了一种固有不可预测的量子雷达光束定向方法，通过光子对中的波长随机性实现不可预测的衍射方向，从而显著提升信号与噪声比，为量子增强传感开辟新途径。

Comments Main text (11 pages and 5 figures), Supplementary information (9 pages and 7 figures)

Journal ref Laser Photonics Rev. 2026, e71592

WiWorld-RealData: A Real-World Multi-Modal Dataset for 6G Wireless World Models

WiWorld-RealData：用于6G无线世界模型的真实世界多模态数据集

Yinyin Jiao, Huixin Xu, Jianhua Zhang, Yuelong Qiu, Jingjing Wang, Shaoyi Liu, Yuxiang Zhang, Li Yu, Xuebin Sun, Guangyi Liu

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

AI总结 提出WiWorld-RealData数据集，包含3.7 GHz和6.775 GHz的信道冲激响应、多视角图像、全景图像、LiDAR点云、毫米波雷达记录和GNSS轨迹，支持环境辅助的信道预测，路径损耗预测MAE为2.02 dB。

Comments 6 pages, 6 figures, 3 tables

Resource-optimal quantum mode parameter estimation with multimode Gaussian states

基于多模Gaussian态的资源最优量子模参数估计

Maximilian Reichert, Mikel Sanz, Nicolas Fabre

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 本文提出通过多模Gaussian态实现量子模参数估计的资源最优方案，统一了粒子数和模结构视角，推导了量子 Fisher 信息的紧上界并确定了最优Gaussian态。

Comments Comments are welcome!

Geometry-Aware Spatio-Temporal Context Modeling for 4D Occupancy Forecasting

面向4D占用预测的几何感知时空上下文建模

Sitao Chen, Zhuangwei Zhuang, Hui Luo, Qingyao Wu, Mingkui Tan

机构 * South China University of Technology（华南理工大学） ； Institute of Optics and Electronics, CAS（中国科学院光电技术研究所） 纠错

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

AI总结 针对4D占用预测现有方法的几何失真与时间一致性问题，提出GAST方法，经Occ3D-nuScenes实验较SOTA实现mIoU、IoU提升及加速，长期预测性能强。

SimWAM: A Simple World Action Model for End-to-End Autonomous Driving

SimWAM：一种用于端到端自动驾驶的简单世界动作模型

Zongchuang Zhao, Xin Zhou, Tianyang Xu, Zhengyang Sun, Kaixuan Zhou, Honglin Li, Dingkang Liang, Xiang Bai

机构 * Huazhong University of Science & Technology（华中科技大学） ； Dongfeng Research & Development Institute（东风研发院） 纠错

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

AI总结 SimWAM是一种仅将视频生成用作训练信号的简单WAM，通过联合流匹配协同训练视频与动作专家，在NAVSIM上达91.5 PDMS且延迟更低，可零样本迁移至nuScenes，为高效自动驾驶提供可靠基线。

Comments The code and model weights are available at https://github.com/H-EmbodVis/SimWAM/

Interpretable self-driving sputter epitaxy: from black-box optimization to human-usable growth rules

可解释的自动驾驶溅射外延：从黑盒优化到可为人使用的生长规则

Yuki K. Wakabayashi, Yui Ogawa, Franz Benedict Romero, Takuma Otsuka, Yoshitaka Taniyasu

专题命中 仿真评测 ：self-driving(title,abstract)

AI总结 本文提出一种可解释的自动驾驶实验室框架，通过结合贝叶斯优化和自动化光学评估，实现高质量 beta-Ga2O3 异质和同质外延的生长规则优化。

Risk-Adaptive Edge--Cloud Visual Reasoning for Communication-Efficient Autonomous Driving

面向通信高效自动驾驶的风险自适应边云视觉推理

Meng Ma, Shuyang Li, Naigang Wang, Ruimin Ke

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心） 纠错

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

AI总结 本研究提出风险自适应边云视觉推理架构，通过车载交通评估触发云端VLM推理，在自动驾驶中减少54.1%云端请求量，同时保持任务成功率并降低AEB触发次数，实现通信效率与性能的平衡。

Comments 7 pages, 4 figures, 5 tables

OODBench: Out-of-Distribution Benchmark for Large Vision-Language Models

OODBench: 用于大型视觉-语言模型的分布外基准

Ling Lin, Yang Bai, Heng Su, Congcong Zhu, Yaoxing Wang, Yang Zhou, Huazhu Fu, Jingrun Chen

机构 * University of Science and Technology of China ； Suzhou Institute for Advanced Research, USTC ； Key Laboratory of the Ministry of Education for Mathematical Foundations ； Unmanned System Research Institute, Northwestern Polytechnical University 纠错

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

AI总结 OODBench提出了一种自动化方法，用于构建评估大型视觉-语言模型处理分布外数据能力的基准，并展示了当前模型在面对此类数据时的性能下降。

Comments 54 pages, 21 figures

Identifying Confusion Trends in Concept-based XAI for Multi-Label Classification

识别多标签分类中基于概念的可解释人工智能的混淆趋势

Haadia Amjad, Ronald Tetzlaff

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

AI总结 本研究针对多标签分类任务，在MS-COCO数据集上训练VGG16、ResNet50模型，应用CRP、CRAFT方法生成概念级解释，揭示CXAI可凸显DNNs弱点、降低混淆、暴露数据集偏差，助力模型泛化理解与偏差诊断。

Comments Published at EXPLAINABILITY2025