自动驾驶

Vision-Based Lane Following and Traffic Sign Recognition for Resource-Constrained Autonomous Vehicles

基于视觉的车道跟随与交通标志识别用于资源受限的自动驾驶车辆

Md Tanjemul Islam, Md Rafiul Kabir

机构 * Central Michigan University（中央密歇根大学） 纠错

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

AI总结 本文提出轻量级视觉框架，用于嵌入式自动驾驶车辆的车道检测、跟踪和交通标志识别，通过高效算法实现实时性能与高精度车道跟踪。

Comments 2026 International Conference on Intelligent Systems, Blockchain, and Communication Technologies

GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection

GCP: 带空间-时间感知恶意代理检测的防护协作感知

Yihang Tao, Senkang Hu, Yue Hu, Haonan An, Hangcheng Cao, Yuguang Fang

机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

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

AI总结 本文提出GCP框架，通过空间-时间感知恶意代理检测提升协作感知安全性，采用置信度加权空间一致性损失和联合空间-时间Benjamini-Hochberg检验，有效应对恶意代理攻击，实验显示在BAC攻击下AP@0.5提升34.69%。

Comments Accepted by IEEE TDSC

Transferable Physical-World Adversarial Patches Against Pedestrian Detection Models

可迁移的物理世界对抗性补丁对抗行人检测模型

Shihui Yan, Ziqi Zhou, Yufei Song, Yifan Hu, Minghui Li, Shengshan Hu

机构 * Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 本文提出TriPatch方法，结合多阶段协同攻击与物理多样性下的鲁棒性增强，解决现有物理攻击在多阶段决策管道系统中缺乏系统性干扰和复杂物理变化建模不足的问题。

Ufil: A Unified Framework for Infrastructure-based Localization

Ufil：基于基础设施的定位统一框架

Simon Schäfer, Lucas Hegerath, Marius Molz, Massimo Marcon, Bassam Alrifaee

机构 * Chair of Embedded Software, RWTH Aachen University（嵌入式软件研究所，亚琛工业大学） ； Department of Aerospace Engineering, University of the Bundeswehr Munich（国防军械大学慕尼黑航空航天工程系） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 Ufil提供标准化对象模型和可重用多目标跟踪组件，通过集成异构数据源实现高精度车道定位，验证了其跨平台执行能力与高效实时性能。

Comments 8 pages, 6 figures, this work was submitted to IEEE International Conference on Intelligent Transportation Systems (ITSC) 2026

OVPD: A Virtual-Physical Fusion Testing Dataset of OnSite Auton-omous Driving Challenge

OVPD：OnSite自动驾驶挑战赛的虚拟-物理融合测试数据集

Yuhang Zhang, Jiarui Zhang, Bowen Jian, Xin Zhou, Zhichao Lv, Peng Hang, Rongjie Yu, Ye Tian, Jian Sun

机构 * College of Transportation, Tongji University, Shanghai 201804, China（同济大学交通运输学院，上海201804，中国） 纠错

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

AI总结 OVPD数据集通过融合虚拟背景交通与车辆-基础设施感知，构建可控互动闭环测试环境，提供多模态数据用于长期规划与决策验证，支持安全、效率等多维度评估。

Comments 11 pages, 6 figures, 3 tables

Multimodal embodiment-aware navigation transformer

多模态具身感知导航Transformer

Louis Dezons, Quentin Picard, Rémi Marsal, François Goulette, David Filliat

机构 * LARIAD 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出ViLiNT，通过融合多模态数据提升机器人导航鲁棒性，利用Transformer和扩散模型生成可导航路径，实现在不同环境中导航成功率提升166%。

Comments 8 pages, 7 figures

When Can We Trust Deep Neural Networks? Towards Reliable Industrial Deployment with an Interpretability Guide

当我们可以信任深度神经网络？迈向可靠工业部署的可解释性指南

Hang-Cheng Dong, Yuhao Jiang, Yibo Jiao, Lu Zou, Kai Zheng, Bingguo Liu, Dong Ye, Guodong Liu

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

AI总结 本文提出一种基于事后解释的指标，用于检测二分类缺陷检测网络中的假阴性，通过计算类别特定判别热图与类别无关热图的交并比差异作为可靠性评分，并引入对抗增强方法以放大差异，实验证明该方法能有效识别假阴性，尽管牺牲了真阴性率。

RESFL: An Uncertainty-Aware Framework for Responsible Federated Learning by Balancing Privacy, Fairness and Utility

RESFL: 一种通过平衡隐私、公平性和效用来实现负责任的联邦学习的不确定性感知框架

Dawood Wasif, Terrence J. Moore, Jin-Hee Cho

机构 * Virginia Tech（弗吉尼亚理工大学） ； U.S. Army Research Laboratory（美国陆军研究实验室） 纠错

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

AI总结 RESFL框架通过结合对抗性隐私解耦和不确定性引导的公平性感知聚合，提升联邦学习中隐私与公平性的平衡，实验表明其在自动驾驶场景中提升了检测性能并降低了对抗攻击成功率。

Comments Accepted at ICLR 2026; camera-ready version

Fed3D: Federated 3D Object Detection

Fed3D: 联邦3D目标检测

Suyan Dai, Chenxi Liu, Fazeng Li, Peican Lin

机构 * School of Automation Science and Enginnering, South China University of Technology（华南理工大学自动化科学与工程学院） ； State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所机器人重点实验室） ； Institutes for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences（中国科学院机器人与智能制造研究院） 纠错

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

AI总结 本文提出Fed3D框架，解决多机器人感知网络中3D目标检测的隐私保护与数据异质性问题，通过局部-全局类感知损失和联邦3D提示模块降低通信成本。

Power in Numbers: Primitive Algorithm for Swarm Robot Navigation in Unknown Environments

数字中的力量：用于未知环境的原始群体机器人导航算法

Yusuke Tsunoda, Shoken Otsuka, Kazuki Ito, Runze Xiao, Keisuke Naniwa, Yuichiro Sueoka, Koichi Osuka

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出一种简单的群体机器人导航算法，利用机器人数量进行未知环境导航，无需环境感知或复杂通信。

Comments 11 pages, 22 figures

Journal ref Robotics and Autonomous Systems, Volume 198, 2026, 105329, ISSN 0921-8890

CSNR and JMIM Based Spectral Band Selection for Reducing Metamerism in Urban Driving

基于CSNR和JMIM的光谱波段选择以减少城市驾驶中的色匹配现象

Jiarong Li, Imad Ali Shah, Diarmaid Geever, Fiachra Collins, Enda Ward, Martin Glavin, Edward Jones, Brian Deegan

机构 * School of Engineering, University of Galway, Ireland（Galway大学工程学院，爱尔兰） ； Ryan Institute, University of Galway, Ireland（Galway大学Ryan学院，爱尔兰） ； Valeo Vision Systems, Tuam, Ireland（爱尔兰Tuam市Valeo Vision Systems公司） 纠错

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

AI总结 本文提出基于信息论技术和图像质量度量的光谱波段选择策略，利用超光谱成像技术提高城市驾驶中对弱势道路使用者的识别能力，通过选择特定波段显著提升感知分离度和色差度量。

Comments Under Review at IEEE OJITS, July, 2025

Journal ref IEEE Open Journal of Intelligent Transportation Systems, vol. 7, pp. 1021-1033, 2026

Learning step-level dynamic soaring in shear flow

在风切变流中学习步级动态滑翔

Lunbing Chen, Jixin Lu, Yufei Yin, Jinpeng Huang, Yang Xiang, Hong Liu

机构 * J.C.Wu Center for Aerodynamics, School of Aeronautics and Astronautics, Shanghai Jiao Tong University（J.C.Wu 动力学中心，航空与航天学院，上海交通大学） 纠错

专题命中 感知 ：trajectory planning(abstract)；分类 cs.RO

AI总结 本文通过深度强化学习展示在无风切变流中无需显式轨迹规划，仅通过局部感知即可实现稳健的全方位导航，揭示了动态滑翔的反馈控制结构。

LIDARLearn: A Unified Deep Learning Library for 3D Point Cloud Classification, Segmentation, and Self-Supervised Representation Learning

LIDARLearn: 一个用于3D点云分类、分割和自监督表示学习的统一深度学习库

Said Ohamouddou, Hanaa El Afia, Abdellatif El Afia, Raddouane Chiheb

机构 * ENSIAS, Mohammed V University, Rabat, Morocco（穆罕默德五世大学ENSIAS学院，拉巴特，摩洛哥） 纠错

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

AI总结 本文提出LIDARLearn，一个整合多种3D点云处理方法的统一深度学习库，支持分类、语义分割、部分分割和少样本学习，并提供标准化训练流程和严格多模型比较工具。

SignReasoner: Compositional Reasoning for Complex Traffic Sign Understanding via Functional Structure Units

SignReasoner：通过功能结构单元实现复杂交通标志理解的组合推理

Ruibin Wang, Zhenyu Lin, Xinhai Zhao

机构 * Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

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

AI总结 本文提出SignReasoner，通过功能结构单元实现复杂交通标志的组合推理，提升自动驾驶安全。核心方法是功能结构单元，通过分解标志为基本功能块，增强模型对未知配置的泛化能力。

Comments CVPRF 2026

HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation

HG-Lane：在恶劣天气和光照条件下无需重新标注的高保真车道场景生成

Daichao Zhao, Qiupu Chen, Feng He, Xin Ning, Qiankun Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； School of Artificial Intelligence, Henan University（河南大学人工智能学院） ； University of Science and Technology of China（中国科学技术大学） ； AnnLab, Institute of Semiconductors, Chinese Academy of Sciences（中国科学院半导体研究所 AnnLab） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出HG-Lane框架，通过构建包含30000张图像的基准数据集，提升恶劣天气下车道检测性能，实验显示基于CLRNet的mF1得分提升20.87%。

Comments Accepted by CVPR 2026 (HighLight)

Unified Unsupervised and Sparsely-Supervised 3D Object Detection by Semantic Pseudo-Labeling and Prototype Learning

通过语义伪标签和原型学习实现统一的无监督和稀疏监督3D目标检测

Yushen He, Lei Zhao, Weidong Chen

机构 * Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院） ； Key Laboratory of System Control and Information Processing, Ministry of Education of China（系统控制与信息处理教育部重点实验室） 纠错

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

AI总结 本文提出SPL框架，通过语义伪标签和原型学习统一无监督和稀疏监督3D目标检测，生成高质量伪标签并稳定特征学习，实验表明在KITTI和nuScenes数据集上优于现有方法。

All You Need for Object Detection: From Pixels, Points, and Prompts to Next-Gen Fusion and Multimodal LLMs/VLMs in Autonomous Vehicles

自动驾驶所需的所有内容：从像素、点和提示到下一代融合和多模态LLM/VLMs

Sayed Pedram Haeri Boroujeni, Niloufar Mehrabi, Hazim Alzorgan, Mahlagha Fazeli, Abolfazl Razi

机构 * Department One（第一部门） ； Department Two（第二部门） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文探讨自动驾驶中物体检测的最新进展，重点介绍多模态感知、视觉语言模型和大语言模型等新兴方法，分析传感器融合策略及未来发展方向。

DinoRADE: Full Spectral Radar-Camera Fusion with Vision Foundation Model Features for Multi-class Object Detection in Adverse Weather

DinoRADE：基于视觉基础模型特征的全谱雷达-摄像头融合用于恶劣天气下的多类目标检测

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

机构 * Infineon Technologies AG, Austria（英飞凌科技公司，奥地利） ； Graz University of Technology, Austria（格拉茨技术大学，奥地利） ； Virtual Vehicle Research GmbH, Austria（虚拟车辆研究有限公司，奥地利） 纠错

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

AI总结 本文提出DinoRADE，通过雷达-摄像头融合和视觉基础模型特征提升恶劣天气下的多类目标检测性能，首次在K-Radar数据集上评估并超越现有方法12.1%。

Comments Accepted to IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026

Unsupervised Multi-agent and Single-agent Perception from Cooperative Views

无监督多智能体和单智能体感知：协作视角

Haochen Yang, Baolu Li, Lei Li, Delin Ren, Jiacheng Guo, Minghai Qin, Tianyun Zhang, Hongkai Yu

机构 * Cleveland State University（克利夫兰州立大学） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 本文提出UMS框架，通过多智能体协作提升点云密度，利用协作视角进行无监督3D目标检测，实验证明在V2V4Real和OPV2V数据集上性能优于现有方法。

Comments Accepted to CVPR2026

YOLOv11 Demystified: A Practical Guide to High-Performance Object Detection

YOLOv11 解密：高性能目标检测的实用指南

Nikhileswara Rao Sulake

机构 * Rajiv Gandhi University of Knowledge Technologies, Nuzvid, India（拉吉夫·甘地知识技术大学，努兹维德，印度） 纠错

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

AI总结 本文解析YOLOv11的架构，介绍其创新模块提升特征提取和小目标检测能力，并通过实验展示其在精度和推理速度上的优势。

Comments Paper accepted to CVC 2026 conference, but not continued due to no financial support

Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception

通过3D几何感知统一无人机跨视角地理定位

Haoyuan Li, Wen Yang, Fang Xu, Hong Tan, Haijian Zhang, Shengyang Li, Gui-Song Xia

机构 * School of Electronic Information, Wuhan University（武汉大学电子信息学院） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Technology and Engineering Center for Space Utilization and the Key Laboratory of Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心暨空间利用重点实验室） ； School of Aeronautics and Astronautics, University of Chinese Academy of Sciences（中国科学院大学航空宇航学院） 纠错

专题命中 感知 ：BEV(abstract)；分类 cs.CV

AI总结 本文提出一种几何感知的无人机地理定位框架，通过构建局部3D场景并生成虚拟俯视图，实现粗粒度场所识别与细粒度姿态估计的统一，提升GNSS拒止环境下无人机的定位精度。

Comments 15 pages, 10 figures

Riemannian and Symplectic Geometry for Hierarchical Text-Driven Place Recognition

Riemannian和Symplectic几何用于层次化文本驱动的位置识别

Tianyi Shang, Zhenyu Li

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

AI总结 本文提出SympLoc框架，通过多级对齐策略提升文本到点云定位的鲁棒性，实验显示在KITTI360Pose数据集上Top-1召回率提升19%。

Comments 9 pages

AdaRadar: Rate Adaptive Spectral Compression for Radar-based Perception

AdaRadar: 基于雷达感知的自适应频谱压缩

Jinho Park, Se Young Chun, Mingoo Seok

机构 * Columbia University（哥伦比亚大学） ； Seoul National University（首尔国立大学） 纠错

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

AI总结 本文提出AdaRadar，通过自适应反馈机制实现雷达数据压缩，动态调整压缩比并利用零阶梯度近似，结合离散余弦变换和量化技术，实现超过100倍的特征尺寸缩减，性能损失仅约1%。

Comments Accepted to CVPR 2026. Project page: https://jp4327.github.io/adaradar/

ReScene4D: Temporally Consistent Semantic Instance Segmentation of Evolving Indoor 3D Scenes

ReScene4D: 时空一致的动态室内3D场景语义实例分割

Emily Steiner, Jianhao Zheng, Henry Howard-Jenkins, Chris Xie, Iro Armeni

机构 * Stanford University（斯坦福大学） ； Meta Reality Labs Research（Meta现实实验室） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.CV

AI总结 ReScene4D提出了一种新的4D室内语义实例分割方法，通过时空对比损失、掩码和序列化技术，在无需密集观测的情况下实现实例跟踪和性能提升，引入t-mAP指标评估时空一致性。

Comments CVPR 2026

Human Insights Driven Latent Space for Different Driving Perspectives: A Unified Encoder for Efficient Multi-Task Inference

由人类洞察驱动的潜在空间：一种统一编码器用于高效的多任务推理

Huy-Dung Nguyen, Anass Bairouk, Mirjana Maras, Wei Xiao, Tsun-Hsuan Wang, Patrick Chareyre, Ramin Hasani, Marc Blanchon, Daniela Rus

机构 * Hybrid Intelligence, part of Capgemini Engineering（Hybrid Intelligence，Capgemini Engineering 旗下） ； Computer Science and Artificial Intelligence Laboratory (CSAIL), MIT（麻省理工学院计算机科学与人工智能实验室（CSAIL）） 纠错

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

AI总结 本文提出一种统一编码器，通过多任务学习提升自动驾驶中的视觉感知任务性能，并在转向估计中展示出优于其他方法的优势。

Better than Average: Spatially-Aware Aggregation of Segmentation Uncertainty Improves Downstream Performance

优于平均：基于空间的分割不确定性聚合改进下游性能

Vanessa Emanuela Guarino, Claudia Winklmayr, Jannik Franzen, Josef Lorenz Rumberger, Manuel Pfeuffer, Sonja Greven, Klaus Maier-Hein, Carsten T. Lüth, Christoph Karg, Dagmar Kainmueller

机构 * Max-Delbrück-Center (MDC)（马克斯·德尔布吕克中心） ； Helmholtz Imaging（亥姆霍兹成像） ； Charité Universitätsmedizin（柏林夏里特医学院） ； Humboldt-Universität zu Berlin（柏林洪堡大学） ； University of Potsdam（波茨坦大学） ； German Cancer Research Center (DKFZ)（德国癌症研究中心） ； Heidelberg University（海德堡大学） 纠错

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

AI总结 研究通过空间感知的不确定性聚合方法提升下游任务性能，分析现有聚合策略的优劣，提出新策略并验证其在不同数据集上的有效性。

Comments 27 pages, 13 figures, 6 tables. Accepted at CVPR 2026 (The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026)

Bootstrap Perception Under Hardware Depth Failure for Indoor Robot Navigation

基于硬件深度故障的室内机器人导航 bootstrap 感知系统

Nishant Pushparaju, Vivek Mattam, Aliasghar Arab

机构 * New York University（纽约大学） ； City College of New York（纽约市立学院） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出一种在硬件深度故障情况下用于室内机器人导航的 bootstrap 感知系统，通过自参照性质校准单目深度，提升障碍物感知覆盖率。

A Semantic Observer Layer for Autonomous Vehicles: Pre-Deployment Feasibility Study of VLMs for Low-Latency Anomaly Detection

面向自动驾驶的语义观察层：VLMs在低延迟异常检测中的预部署可行性研究

Kunal Runwal, Swaraj Gajare, Daniel Adejumo, Omkar Ankalkope, Siddhant Baroth, Aliasghar Arab

机构 * The City College of New York, Grove School of Engineering（纽约市立学院格罗夫工程学院） ； Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University（纽约大学坦登工程学院机械与航空航天工程系） ； Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University（纽约大学坦登工程学院电气与计算机工程系） 纠错

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

AI总结 本文提出一种语义观察层，通过量化视觉-语言模型实现低延迟异常检测，验证了其在自动驾驶平台上的可行性。

Image Segmentation via Divisive Normalization: dealing with environmental diversity

通过除法归一化进行图像分割：应对环境多样性

Pablo Hernández-Cámara, Jorge Vila-Tomás, Paula Dauden-Oliver, Nuria Alabau-Bosque, Valero Laparra, Jesús Malo

机构 * Image Processing Lab, Universitat de València（巴伦西亚大学图像处理实验室） ； ValgrAI: Valencian Grad. School Research Network of AI（ValgrAI：巴伦西亚人工智能研究生研究网络） 纠错

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

AI总结 本文通过在U-Net中引入除法归一化，研究其在极端环境下的图像分割性能，发现其在不同光照、动态范围和对比度条件下均表现更优且更稳定。

A Self-Rotating Tri-Rotor UAV for Field of View Expansion and Autonomous Flight

一种用于视野扩展和自主飞行的自旋转三旋翼无人机

Xiaobin Zhou, Zihao Zheng, Aoxu Jin, Lei Qiang, Bo Zhu

机构 * School of Robotics and Automation, Nanjing University（南京大学机器人学院） 纠错

专题命中 感知 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出SPINNER无人机，通过持续旋转扩大摄像头和激光雷达的视野，提升环境感知效率，并实现三维定位和姿态控制。