自动驾驶

TensorMap: Lidar-Based Topological Mapping and Localization via Tensor Decompositions

Sirisha Rambhatla, Nikos D. Sidiropoulos, Jarvis Haupt

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

Comments 5 pages; Index Terms - Topological maps, Lidar, Localization of Autonomous Vehicles, Orthogonal Tucker Decomposition, and Scan-matching

Journal ref 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP)

Terrain-Aware Local Path Planning with Global DEM Data Integration for Autonomous UGV Navigation

面向自主无人地面车辆（UGV）导航的融合全球数字高程模型（DEM）数据的地形感知局部路径规划

Devender Singh, Issah Nazif Suleiman, Paul Mitten, Glenn Cutler, Vinicius Prado da Fonseca, Matthew Hamilton

机构 * Memorial University of Newfoundland（纽芬兰纪念大学） ； Compusult Ltd.（康普萨尔特有限公司） 纠错

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

AI总结 本研究针对UGV户外导航中全局地图与实时传感器反馈脱节的问题，提出融合DEM与LiDAR的混合路径规划框架，经仿真验证可提升障碍物规避率、降低平均坡度，为可靠自主导航提供支撑。

Robust Scene Transfer for PointGoal Navigation via Privileged Sensor Guided Contrastive Learning

基于特权传感器引导对比学习的点目标导航鲁棒场景迁移

Amirhossein Zhalehmehrabi, Tiziano Tezze, Alberto Castelini, Alessandro Farinelli

机构 * University of Padua（帕多瓦大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 提出一种传感器引导的自适应对比学习框架，利用特权LiDAR传感器在训练时引导视觉编码器学习导航相关结构，并通过解耦表征学习与策略优化以及跨阶段域不匹配来提升策略级场景迁移能力。

Comments 8 pages, Accepted to IEEE Robotics and Automation Letters (RA-L)

Multi-Representation Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition

多表示几何层次融合：一种用于鲁棒三维地点识别的隐式子图驱动框架

Xiaohui Jiang, Haijiang Zhu, Chade Li, Ning An

机构 * College of Information and Technology, Beijing University of Chemical Technology（信息与技术学院，北京化工大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Research Institute of Mine Artificial Intelligence, China Coal Research Institute（矿山人工智能研究院，中国煤炭科研院） 纠错

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

AI总结 针对激光雷达地点识别中描述子不稳定与表示脆弱性问题，本文提出隐式神经点驱动的多表示几何层次融合框架，在多数据集上实现鲁棒性能，平衡了精度、效率与内存占用。

Learning Agile Navigation in Crowded Environments for Quadruped Robots

学习四足机器人在拥挤环境中的敏捷导航

Shuyu Wu, Zeyu Liu, Tianbao Zhang, Fanxing Li, Fangyu Sun, Mingkang Xiong, Wei Xi, Wenxian Yu, Danping Zou

机构 * Shanghai Jiao Tong University（上海交通大学） ； Midea Group（美的集团） 纠错

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

AI总结 针对四足机器人在拥挤环境中导航难题，提出结合VO几何安全与端到端学习敏捷性的VOP-Nav系统，利用LiDAR数据隐式编码约束并预测安全速度区，VO预测兼具推理输入与训练奖励双重作用，实验验证其高效性与稳健性。

Where Am I? Semantic Map Grounding via Vision-Language Models for Multi-Modal Localization

我在哪里？基于视觉-语言模型的语义地图定位用于多模态定位

Suraj Borate, Aarav Shah, Madhu Vadali

机构 * IIT Gandhinagar（印度理工学院甘地讷格尔分校） 纠错

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

AI总结 将机器人定位重构为语义推理任务，使用微调的Qwen2.5-VL-7B模型融合摄像头、LiDAR和语义地图预测位姿，在室内数据集上达到98.23%位置精度，并展现出跨模态互补性和对新场景的泛化能力。

KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference

KISS-IMU：基于运动平衡学习与不确定性感知推理的自监督惯性里程计

Jiwon Choi, Hogyun Kim, Geonmo Yang, Juhui Lee, Younggun Cho

机构 * Electrical and Computer Engineering, Inha University（信息电子工程学院，印斯大学） 纠错

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

AI总结 提出KISS-IMU自监督框架，通过运动平衡训练和不确定性加权推理消除对真值依赖，仅用LiDAR作为轻量监督信号，实现鲁棒惯性里程计。

Comments 8 pages, 9 figures

GeoFlow-SLAM++: A Robust Multi-Camera Visual-Inertial SLAM System with Relocalization

GeoFlow-SLAM++：一种具有重定位功能的鲁棒多相机视觉惯性SLAM系统

Wei Feng, Tingyang Xiao, Liu Liu, Xiaolin Zhou, Zhizhong Su

机构 * Horizon Robotics（地平线机器人） 纠错

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

AI总结 提出GeoFlow-SLAM++多相机视觉惯性SLAM系统，通过统一身体中心公式融合多相机约束、IMU预积分和跨视角重定位，支持ORB和神经网络特征前端，在多个数据集上实现鲁棒定位，性能接近LiDAR。

Comments 10 pages

OmniPath: A Multi-Modal Agentic Framework for Auditing Wheelchair Accessibility

OmniPath: 用于审计轮椅可达性的多模态智能体框架

ASM Mobarak Hossain, Nadim Mahmud, Vaskar Raychoudhury, Md Osman Gani

机构 * Causal AI Lab, Department of Information Systems, University of Maryland Baltimore County（因果AI实验室，信息系统系，马里兰大学巴尔的摩分校） ； Department of Computer Science & Software Engineering, Miami University（计算机科学与软件工程系，迈阿密大学） 纠错

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

AI总结 提出OmniPath框架，融合OSM网络拓扑与机载LiDAR数据，通过虚拟遍历量化坡度、横坡等物理摩擦点，按ADA标准分级评估轮椅可达性，经实地验证有效识别标准地图遗漏的障碍。

Comments 10 pages, 13 figures. Submitted to IEEE COMPSAC 2026. OmniPath: A Multi-Modal Agentic Framework for Auditing Wheelchair Accessibility

Beyond a Single Light: A Large-Scale Aerial Dataset for Urban Scene Reconstruction Under Varying Illumination

超越单一光源：用于不同光照下城市场景重建的大规模航拍数据集

Zhuoxiao Li, Wenzong Ma, Taoyu Wu, Jinjing Zhu, Shuai Zhang, Jing OU, Tongyan Hua, Yinrui Ren, Rongjun Qin, Hui Xiong, Wufan Zhao

机构 * HKUST(GZ)（香港科技大学（广州）） ； University of Liverpool（利物浦大学） ； The Ohio State University（俄亥俄州立大学） 纠错

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

AI总结 针对多时相航拍数据光照不一致导致的重建伪影问题，提出SkyLume大规模真实航拍数据集，包含10个城区超10万张高分辨率图像（四个倾斜视角和天底视角），每个区域在三个时段采集以隔离光照变化，并提供LiDAR扫描和3D真值，以及用于评估逆渲染鲁棒性的时间一致性系数（TCC）。

Comments ECCV2026

A UAV-Based Multi-Modal Vision System for Automated Sideslope Deformation Monitoring and Hazard Detection

基于无人机多模态视觉系统的边坡变形自动监测与灾害检测

Jingfeng Zhang, Yi Li, Xianchong Liang, Huan Yang

机构 * South China Normal University（华南师范大学） 纠错

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

AI总结 提出一种基于无人机LiDAR的自动化边坡灾害检测流程，包括数据采集、地面点提取、单次观测灾害筛查和多次观测变形监测，实现厘米级形变量化与危险区域识别。

Comments 29 pages, 14 figures

Motor Angular Speed Preintegration for Multirotor UAV State Estimation

多旋翼无人机状态估计中的电机角速度预积分

Matěj Petrlík, Filip Novák, Robert Pěnička, Martin Saska

机构 * Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（电子工程系控制学系，布拉格捷克技术大学） 纠错

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

AI总结 针对无人机振动导致IMU精度下降的问题，提出基于电机转速加速度预积分的方法，替代IMU进行状态传播，并构建因子用于图优化，结合LiDAR形成MAS-LO算法，相比LIO-SAM位置精度提升28%，速度精度提升65%。

A High-Resolution Landscape Dataset for Concept-Based XAI With Application to Species Distribution Models

基于概念的可解释AI的高分辨率景观数据集及其在物种分布模型中的应用

Augustin de la Brosse, Damien Garreau, Thomas Houet, Thomas Corpetti

机构 * Université Rennes 2, CNRS, Nantes Université, Univ Brest, LETG, UMR 6554（里昂大学第二分校、法国国家科学研究中心、南特大学、布列塔尼大学、LETG、UMR 6554） ； LTSER Zone Atelier Armorique（Armorique 领域实验室区） ； University of Würzburg, Center for Artificial Intelligence and Data Science（乌尔姆大学、人工智能与数据科学中心） 纠错

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

AI总结 提出首个基于概念的可解释AI方法用于物种分布模型，利用高分辨率多光谱和LiDAR无人机影像构建景观概念数据集，通过Robust TCAV量化景观概念对模型预测的影响，案例研究验证了方法的有效性。

Online Inertia Tensor Identification for Non-Cooperative Spacecraft via Augmented UKF

非合作航天器在线惯性张量识别：基于增强型UKF

Batu Candan, Simone Servadio

机构 * Department of Aerospace Engineering, Iowa State University（航空航天工程系，爱荷华州立大学） 纠错

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

AI总结 本文提出一种增强型UKF框架，用于同时估计非合作目标航天器的六自由度姿态和完整惯性张量，结合视觉和LiDAR数据，实现实时惯性参数估计，提升深空环境下的导航与引导精度。

Journal ref AIAA 2026 Region V Student Conference, AIAA 2026-108993

Leveraging 2D Priors and SDF Guidance for Dynamic Urban Scene Rendering

利用2D先验和SDF引导进行动态城市场景渲染

Siddharth Tourani, Jayaram Reddy, Akash Kumbar, Satyajit Tourani, Nishant Goyal, Madhava Krishna, N. Dinesh Reddy, Muhammad Haris Khan

机构 * IIIT Hyderabad（海得拉尔印度理工学院） ； MBZUAI（穆罕默德·本·拉希德智能研究院） ； University of Heidelberg（海德堡大学） ； VLM Run ； IIT Kharagpur（克达尔理工学院） 纠错

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

AI总结 本文提出结合2D对象无关先验与SDF表示的方法，用于动态城市场景渲染，无需LiDAR数据，提升几何精度和变形建模能力。

Comments Accepted at ICCV-2025, project page: https://dynamic-ugsdf.github.io/

Journal ref Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2025

Hierarchical Space Partition for Surface Reconstruction

表面重建的层次空间划分

Minjie Tang, Xiangfei Li

机构 * Independent Researcher（独立研究员） ； Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 针对点云重建中因LiDAR扫描局限导致细节缺失的问题，提出基于平面分类与优先级生长的层次空间划分方法，并通过最小割优化生成水密多边形网格。

Comments Published in 2026 International Conference on 3D Vision (3DV)

Journal ref in 2026 International Conference on 3D Vision (3DV), Vancouver, BC, Canada, 2026, pp. 207-216

Teaching Robots to Say 'I Don't Know' : SENTINEL for Uncertainty-Aware SLAM

教机器人说‘我不知道’：用于不确定性感知SLAM的SENTINEL

Abhishek S, Badrikanath Praharaj, Sreeram MV

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出SENTINEL框架，通过几何扫描统计和跨模态深度一致性为低成本2D LiDAR提供无训练、无标签的可靠性评分，拒绝损坏扫描并回退到轮式里程计，防止SLAM无声损坏。

Comments 6 pages, 10 figures, 3 tables, This paper was accepted at Uncertainty in Open-World Robotics Workshop in conjunction with Internation conference of robotics and automation (ICRA 2026)

Lookahead Sample Reward Guidance for Test-Time Scaling of Diffusion Models

前瞻样本奖励引导用于扩散模型的测试时缩放

Yeongmin Kim, Donghyeok Shin, Byeonghu Na, Minsang Park, Richard Lee Kim, Il-Chul Moon

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 提出一种高效测试时缩放方法LiDAR采样，通过前瞻几步采样和精确求解器引导粒子向高奖励区域移动，无需反向传播，在GenEval上达到与最新梯度引导方法相同性能且加速9.5倍。

Comments ICML 2026 Spotlight

Text-guided Feature Disentanglement for Cross-modal Gait Recognition

文本引导的跨模态步态识别特征解耦

Zhiyang Lu, Ming Cheng

机构 * Fujian Key Laboratory of Urban Intelligent Sensing and Computing, Xiamen University（福建城市智能感知与计算重点实验室，厦门大学） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算重点实验室，中华人民共和国教育部，厦门大学） 纠错

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

AI总结 针对LiDAR与RGB相机之间的模态差异，提出TCFDNet网络，利用文本先验引导解耦模态共享特征，通过CLIP对齐、特征解耦和稳定性增强实现跨模态步态识别，在SUSTech1K和FreeGait数据集上达到最优性能。

Comments Accept by CVPR2026

Safe Aerial 3D Path Planning for Autonomous UAVs using Magnetic Potential Fields

基于磁势场的自主无人机安全三维路径规划

Haechan Mark Bong, Giovanni Beltrame

机构 * Department of Computer Engineering and Software Engineering, Polytechnique Montréal（蒙特利尔理工学院计算机工程与软件工程系） ； MILA（蒙特利尔人工智能实验室） 纠错

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

AI总结 本文提出3DMaxConvNet，通过卷积自编码器从LiDAR点云生成障碍物感知的磁势场，实现高效安全的三维路径规划，在不同城市环境中均取得100%成功率，且运行速度显著优于A*和RRT*(3k)。

Learning-Based Hierarchical Scene Graph Matching for Robot Localization Leveraging Prior Maps

基于学习的分层场景图匹配用于利用先验地图的机器人定位

Nimrod Millenium Ndulue, Jose Andres Millan-Romera, Matteo Giorgi, Holger Voos, Jose Luis Sanchez-Lopez

机构 * Automation and Robotics Research Group, Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学自动化与机器人研究组，安全、可靠性与信任跨学科研究中心（SnT）） 纠错

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

AI总结 本文提出一种端到端可微 pipeline，通过语义驱动的边类型增强场景图，实现从高层房间概念到低层墙面的同步匹配，优于组合基线，在真实LiDAR环境中运行更快且具备零样本泛化能力。

LF-GICP: Parameter-Free Degeneracy-Aware LiDAR Odometry via a Voxel-Normal Localizability Field

LF-GICP：基于体素-法向量可定位性场的无参数退化感知激光雷达里程计

Eunsoo Im

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

AI总结 本文提出无参数退化感知激光雷达里程计LF-GICP，通过体素-法向量可定位性场解决退化环境漂移问题，在多数据集上精度领先且可跨传感器泛化。

Autonomous Agricultural Tractor: Integrated Weed Detection and LiDAR Navigation for Precision Paddy Farming

自主农业拖拉机：用于精准稻田种植的杂草检测与激光雷达导航集成系统

Benjamin Merryman-Smith, Tony Nguyen, Bilal Dogutas, Krish Shah, Anthony Raphael, Sudip Dhakal

机构 * Florida Gulf Coast University（佛罗里达湾岸大学） 纠错

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

AI总结 该研究提出集成自主拖拉机系统AgriNav，通过多模块协同与激光雷达-相机融合技术解决稻田杂草管理的三大挑战，仿真实验验证了其导航与检测的可靠性及效率提升。

Beam-Wise Statistical Background Subtraction for Static Roadside LiDAR: A Cross-Sensor Benchmark Study

面向静态路侧激光雷达的波束级统计背景减除：跨传感器基准研究

Alexander Baumann, Marcel Vosshans, Thao Dang

机构 * University of Applied Sciences Esslingen（埃斯林根应用科学大学） ； Faculty of Computer Science and Engineering（计算机科学与工程学院） ； Institute for Intelligent Systems（智能系统研究所） 纠错

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

AI总结 本文针对静态路侧激光雷达缺失系统性跨传感器评估的问题，构建波束级统计背景减除基准，引入新数据集并结合空间滤波，实现了鲁棒可迁移的背景减除方案，提升了精度并保持高召回率与实时性，相关资源已公开。

Comments Accepted for publication at the 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC), Naples, Italy, September 15-18, 2026

Accelerating Large-scale Bundle Adjustment for LiDAR Mapping via Parallel Computing

基于并行计算加速激光雷达建图的大规模光束平差法

Yixi Cai, Rundong Li, Yuhan Xie, Qingwen Zhang, Patric Jensfelt, Fu Zhang

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； the University of Hong Kong（香港大学） 纠错

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

AI总结 该研究提出首个全并行计算框架，结合三项关键技术加速激光雷达建图的大规模光束平差法，经多平台公开数据集测试，效率最高提升10倍且精度相当，代码已开源。

Comments Accepted by IEEE International Conference on Automation Science and Engineering (CASE), 2026

Beyond Visibility: Real-Time Surface Accessibility Fields from Sparse LiDAR

超越可见性：基于稀疏激光雷达的实时表面可访问性场

Bradley Scott, Sam Schofield, Richard Green

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

AI总结 该研究提出一种基于稀疏激光雷达的实时表面可访问性场方法，无需先验场景模型，在工作站和Jetson Orin上运行，F1值达90.8，可准确识别不可访问表面，弥补可见性估计的不足。

Vernata: Self-Supervised Learning of LiDAR Point Representations

Vernata：激光雷达点表示的自监督学习

Oliver Lemke, Alexander Liniger, Abel Gawel, Marco Hutter

机构 * Robotics and AI Institute（机器人与人工智能研究院） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本研究提出基于Sonata架构的Vernata自监督学习框架，通过三项扩展优化激光雷达点云表示，在多数据集上相比基线取得显著性能提升，模态减少场景下仍保持竞争力

Comments IROS 2026. Implementation: https://github.com/rai-opensource/vernata

UP-Fuse: Uncertainty-guided LiDAR-Camera Fusion for 3D Panoptic Segmentation

UP-Fuse：基于不确定性引导的激光雷达-摄像头融合用于3D全景分割

Rohit Mohan, Florian Drews, Yakov Miron, Daniele Cattaneo, Abhinav Valada

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

AI总结 UP-Fuse通过不确定性引导的融合框架，提升激光雷达与摄像头在3D全景分割中的鲁棒性和准确性。

JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision

JustDepth：基于单扫描激光雷达监督的实时雷达-相机深度估计

Wooyung Yun, Dongwook Kim, Soomok Lee

机构 * Ajou University（韩国亚洲大学） ； Kennesaw State University（肯尼索州立大学） 纠错

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

AI总结 研究自动驾驶系统中雷达-相机深度估计问题，提出单阶段JustDepth方法，仅用雷达、相机和单扫描激光雷达训练，能聚合雷达回波解耦运行时与点数，融合模态传播深度，减轻条纹伪影，相比先进方法减少推理时间并降低条纹伪影。

Comments Project page: https://github.com/TPyun/JustDepth

Journal ref IEEE Robotics and Automation Letters ( Volume: 11, Issue: 3, March 2026)

InLiER: Learning-Free Heterogeneous LiDAR Place Recognition via Intermediate Mixed-Radix Structural Keypoint Tokenization

InLiER：通过中间混合基数结构关键点令牌化实现无学习的异构激光雷达地点识别

Nikolaos Stathoulopoulos, George Nikolakopoulos

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

AI总结 研究针对机器人平台结合多种激光雷达致现有描述符性能下降的问题，提出无学习管道InLiER，通过混合基数令牌ID编码关键点信息，经三个检索阶段处理，在相关数据集和实验中表现出色，优于基于学习的基线。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L). 8 pages, 8 figures