自动驾驶

3DGAA: Realistic and Robust 3D Gaussian-based Adversarial Attack for Autonomous Driving

3DGAA：面向自动驾驶的逼真且鲁棒的基于3D高斯的对抗攻击

Yixun Zhang, Lizhi Wang, Junjun Zhao, Wending Zhao, Feng Zhou, Yonghao Dang, Jianqin Yin

机构 * School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications, China（智能工程与自动化学院，北京邮电大学） 纠错

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

AI总结 本文提出3DGAA框架，通过3D高斯溅射实现视图一致、几何保持的可打印对抗包裹，在CARLA仿真等测试中显著降低自动驾驶车辆相机感知的检测性能，为安全评估与防御设计提供支撑。

Comments TIFS

TASE: Truncation-Aware Semantic Embeddings for 3D Scene Understanding and Editing

TASE: 用于3D场景理解与编辑的截断感知语义嵌入

Tim-Felix Faasch, Jochen Kall, Lucas Nunes, Jens Behley, Cyrill Stachniss

机构 * Bosch Research（博世研究院） ； Rheinisch-Westfälische Technische Hochschule Aachen（亚琛工业大学） ； University of Bonn（波恩大学） 纠错

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

AI总结 提出TASE方法，通过将预训练的2D语义特征投影到截断感知嵌入空间，结合尺度和平移等变损失，实现可控的3D场景文本驱动编辑，在大几何修改任务上显著优于现有方法。

Comments Code: this https URL (https://github.com/boschresearch/TASE)

Spatio-temporal dual-stage hypergraph MARL for human-centric multimodal corridor traffic signal control

时空双阶段超图多智能体强化学习用于以人为中心的多模式走廊交通信号控制

Xiaocai Zhang, Neema Nassir, Milad Haghani

机构 * Department of Infrastructure Engineering, Faculty of Engineering and Information Technology, The University of Melbourne, VIC 3010, Australia（工程与信息技术学院基础设施工程系，墨尔本大学） 纠错

专题命中 感知 ：occupancy(abstract)

AI总结 本文提出STDSH-MARL方法，通过时空双阶段超图注意力机制和混合动作空间，提升走廊交通信号对多模式旅行者和公共交通的适应性与优先级。

Latent Chain-of-Thought World Modeling for End-to-End Driving

潜在链式思维世界建模用于端到端驾驶

Shuhan Tan, Kashyap Chitta, Yuxiao Chen, Ran Tian, Yurong You, Yan Wang, Wenjie Luo, Yulong Cao, Philipp Krahenbuhl, Marco Pavone, Boris Ivanovic

机构 * UT Austin（得克萨斯大学奥斯汀分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出Latent-CoT-Drive模型，通过潜在语言整合链式思维推理与决策，提升驾驶性能与安全性，实现更快推理和更优轨迹质量。

Comments Accepted to CVPR 2026

LaGen: Towards Autoregressive LiDAR Scene Generation

LaGen：迈向自主驾驶的自回归激光雷达场景生成

Sizhuo Zhou, Xiaosong Jia, Fanrui Zhang, Junjie Li, Juyong Zhang, Yukang Feng, Jianwen Sun, Songbur Wong, Junqi You, Junchi Yan

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出LaGen，首个支持长时交互生成的自回归框架，能基于单帧输入生成高保真4D激光雷达场景，并通过场景解耦和噪声调节模块提升生成质量。

Comments Accepted to ECCV 2026

ScaRF-SLAM: Scale-Consistent Reconstruction with Feed-Forward Models and Classical Visual SLAM

ScaRF-SLAM: 基于前馈模型与经典视觉SLAM的尺度一致重建

Yuhao Zhang, Yifu Tao, Frank Dellaert, Maurice Fallon

机构 * Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） ； College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.RO

AI总结 提出一种解耦框架，将经典特征SLAM用于鲁棒跟踪，几何基础模型仅用于建图，通过尺度优化和子图融合实现高质量一致密集重建，在建筑级数据集上重建精度提升10%-20%。

Comments Accepted to IEEE Robotics and Automation Letters (RA-L) 2026

UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry

UNRIO：面向雷达-惯性里程计的不确定性感知速度学习

Jui-Te Huang, Tianshu Huang, Anthony Rowe, Michael Kaess

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 UNRIO通过直接处理雷达IQ信号预测体坐标系速度，结合Transformer架构和GRT框架，在多模式下实现不确定性估计与姿态图融合，有效提升横向运动轨迹中的里程计精度。

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 Accepted to EMNLP 2026 Main Conference. 55 pages, 12 figures, 20 tables. Project page: this https URL (https://internlm.github.io/OVO-S-Bench/)