自动驾驶

SafetyNet: Safe planning for real-world self-driving vehicles using machine-learned policies

Matt Vitelli, Yan Chang, Yawei Ye, Maciej Wołczyk, Błażej Osiński, Moritz Niendorf, Hugo Grimmett, Qiangui Huang, Ashesh Jain, Peter Ondruska

专题命中 规划控制 ：self-driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

A Dynamic Motion Planning Framework for Autonomous Driving in Urban Environments

Yuncheng Jiang, Xiaofeng Jin, Yanfei Xiong, Zhaoyong Liu

专题命中 规划控制 ：autonomous driving(title,abstract)；trajectory planning(abstract)

Comments 7pages,CCC2020

Model-free Deep Reinforcement Learning for Urban Autonomous Driving

Jianyu Chen, Bodi Yuan, Masayoshi Tomizuka

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV、cs.AI

Comments 7 pages, 6 figures

Improved Reinforcement Learning through Imitation Learning Pretraining Towards Image-based Autonomous Driving

Tianqi Wang, Dong Eui Chang

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV、eess.IV、cs.AI

Comments 5 pages, 2019 19th International Conference on Control, Automation and Systems (ICCAS 2019)

FocalAD: Local Motion Planning for End-to-End Autonomous Driving

FocalAD：端到端自动驾驶中的局部运动规划

Bin Sun, Boao Zhang, Jiayi Lu, Xinjie Feng, Jiachen Shang, Rui Cao, Mengchao Zheng, Chuanye Wang, Shichun Yang, Yaoguang Cao, Ziying Song

机构 * School of Transportation Science and Engineering（交通科学与工程学院） ； State Key Lab of Intelligent Transportation System（智能交通运输系统国家重点实验室） ； Hangzhou International Innovation Institute（杭州国际创新研究院） ； School of Computer Science and Technolog（计算机科学与技术学院） ； Beijing Jiaotong University（北京交通大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 本文提出FocalAD框架，通过增强局部运动表示和关注关键局部邻居，提升自动驾驶的规划可靠性与鲁棒性，在nuScenes和Bench2Drive等数据集上表现优异。

Journal ref FocalAD: Local Motion Planning for End-to-End Autonomous Driving. Automot. Innov. (2026)

DualAD: Dual-Layer Planning for Reasoning in Autonomous Driving

Dingrui Wang, Marc Kaufeld, Johannes Betz

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Comments Autonomous Driving, Large Language Models (LLMs), Human Reasoning, Critical Scenario

AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction

Dubing Chen, Wencheng Han, Jin Fang, Jianbing Shen

专题命中 规划控制 ：occupancy(title,abstract)；分类 cs.RO、cs.CV

Comments 2nd Place in the 3D Occupancy and Flow Prediction Challenge (CVPR24)

Evaluation of Large Language Models for Decision Making in Autonomous Driving

Kotaro Tanahashi, Yuichi Inoue, Yu Yamaguchi, Hidetatsu Yaginuma, Daiki Shiotsuka, Hiroyuki Shimatani, Kohei Iwamasa, Yoshiaki Inoue, Takafumi Yamaguchi, Koki Igari, Tsukasa Horinouchi, Kento Tokuhiro, Yugo Tokuchi, Shunsuke Aoki

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

Comments Accepted at the 2023 Symposium on Machine Learning for Autonomous Driving collocated with NeurIPS

Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network

Bo Dong, Hao Liu, Yu Bai, Jinbiao Lin, Zhuoran Xu, Xinyu Xu, Qi Kong

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

Comments NIPS2020 Workshop on Machine Learning for Autonomous Driving

Multi-Agent Connected Autonomous Driving using Deep Reinforcement Learning

Praveen Palanisamy

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

Comments Accepted, Machine Learning for Autonomous Driving Workshop at the 33rd Conference on Neural Information Processing Systems(NeurIPS 2019)

Fast Expanding Safe Circular Regions for Efficient Local Path Planning

快速扩展的安全圆形区域用于高效的局部路径规划

Scott Fredriksson, Akshit Saradagi, George Nikolakopoulos

机构 * Robotics and Artificial Intelligence Team（机器人与人工智能团队） ； Luleå University of Technology（卢勒奥理工大学） 纠错

专题命中 规划控制 ：LiDAR(summary_cn,abstract)；分类 cs.RO

AI总结 本文提出一种几何算法，通过局部LiDAR扫描生成扩展的圆形区域，实现更快的计算和更长的规划时间，用于局部导航。

Comments Accepted by the IFAC World Congress 2026

GeoWAM: Visual Geometry World Action Models for Autonomous Driving

GeoWAM：面向自动驾驶的视觉几何世界动作模型

Yiren Lu, Xin Ye, Jiaming Liu, Philip Jacobson, Jin Yao, Yi-chung Chen, Liam Merino, Dhruva Dixith Kurra, Min Cai, Tom Lampo, Yu Yin, Danhua Guo, Burhan Yaman

机构 * Uber AV Labs（优步自动驾驶实验室） ； Case Western Reserve University（凯斯西储大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 该研究提出 GeoWAM，一种用于自动驾驶的视觉几何世界动作模型，通过预训练预测未来场景几何来学习动力学，经评估其生成的驾驶策略比图像基方案更强，确立未来几何预测为自动驾驶有效预训练目标。

Comments Project page: https://yiren-lu.com/project_pages/geowam/

PRISM: Privileged Probabilistic Latent Supervision for End-to-End Autonomous Driving Motion Planning

PRISM：面向端到端自动驾驶运动规划的特权概率潜在监督

Volodymyr Havrylov, Faris Janjoš, Andreas Look, Jürgen Mathes, Andreas Geiger

机构 * University of Tübingen（蒂宾根大学） ； Bosch Center for Artificial Intelligence（博世人工智能中心） ； Coburg University（科堡大学） ； Tübingen AI Center（蒂宾根人工智能中心） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 该研究针对端到端自动驾驶模型梯度微弱问题，提出基于真实值的概率潜在监督框架，在 nuScenes 数据集上实现规划 L2 误差降 8%、碰撞率降 3%，且计算开销可忽略。

DriveCode: Domain Specific Numerical Encoding for LLM-Based Autonomous Driving

DriveCode: 针对基于LLM的自动驾驶的领域特定数值编码

Zhiye Wang, Yanbo Jiang, Rui Zhou, Bo Zhang, Fang Zhang, Zhenhua Xu, Yaqin Zhang, Jianqiang Wang

机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； The School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； The Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； DiDi, Beijing, China（滴滴出行） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与移动性国家重点实验室） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 本文提出DriveCode，一种将数字表示为专用嵌入而非离散文本标记的新型数值编码方法，提升LLM在自动驾驶中的数值推理与解码效率。

Comments The project page is available at https://shiftwilliam.github.io/DriveCode

Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance

具有避障功能的自监督生物启发式机器人轨迹规划

Miroslav Krupa, Miroslav Cibula, Kristína Malinovská

机构 * Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学数学、物理与信息学院） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO、cs.AI

AI总结 研究机器人轨迹规划问题，提出基于自监督学习框架，利用正反模型作监督机制，在含障碍物环境下规划轨迹，实验证明方法可行，针对规划器问题提出并评估了额外训练机制和缓解策略。

Comments 12 pages, 3 figures. To be published in 2026 International Conference on Artificial Neural Networks (ICANN) proceedings. This research was supported by the Slovak Research and Development Agency, project APVV-21-0105

Cognitive Dual-Process Planning for Autonomous Driving with Structured Scene Knowledge and Verifiable Reasoning-Action Consistency

基于结构化场景知识和可验证推理-行动一致性的自动驾驶认知双过程规划

Zhongyao Yang, Haoyu Li, Yu Yan, Zhuangxuan Yu, Jiangfeng Nan, Jinrui Nan

机构 * School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院） ； National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology（北京理工大学电动车辆国家工程研究中心） ； School of Mechanical Engineering, Southeast University（东南大学机械工程学院） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 研究自动驾驶高级规划问题，提出认知双过程规划框架，用S-CoT模式表示场景知识，通过自动数据引擎、视觉仲裁器及验证器实现自适应推理和规则验证，提升规划准确性、逻辑一致性并降低延迟，明确性能下降条件。

MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning

MindDrive: 一种通过在线强化学习实现自动驾驶的视觉-语言-动作模型

Haoyu Fu, Diankun Zhang, Zongchuang Zhao, Jianfeng Cui, Hongwei Xie, Bing Wang, Guang Chen, Hangjun Ye, Dingkang Liang, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 MindDrive通过在线强化学习实现自动驾驶中的视觉-语言-动作模型，结合决策专家和动作专家，提升复杂场景下的驾驶决策与探索效率。

Comments Accepted by ECCV 2026; Project Page: https://xiaomi-mlab.github.io/MindDrive/

PrismAD: Decoupled Planning via Semantic Mixture-of-Planners for End-to-End Autonomous Driving

PrismAD：通过语义规划器混合实现端到端自动驾驶的解耦规划

Kang Ding, Zhigui Lin, Hongsong Wang, Jie Gui, Qi Liu, Zhe Wang, Luqi Tang, Lei He

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与出行国家重点实验室） ； School of Cyberspace Security, Southeast University（东南大学网络空间安全学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Automotive Engineering, Wuhan University of Technology（武汉理工大学汽车工程学院） ； SAIC GM Wuling Automobile Co., Ltd.（上汽通用五菱汽车股份有限公司） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 研究针对自动驾驶规划器耦合问题，提出PrismAD框架，将场景令牌分组，用独立规划专家学习专门表示，语义感知路由器聚合预测，引入稀疏top-$K$激活，实验证明该框架性能具竞争力。

Comments 8 pages,5 figures

SWIFT: A Small-World Interaction Framework for Flow-Aware Trajectory Prediction in Autonomous Driving

SWIFT：用于自动驾驶中流量感知轨迹预测的小世界交互框架

Chengyue Wang, Bin Rao, Haicheng Liao, Bonan Wang, Chengzhong Xu, Zhenning Li

机构 * University of Macau（澳门大学） ； State Key Laboratory of Internet of Things for Smart City, University of Macau（澳门大学智慧城市物联网国家重点实验室） ； Department of Civil and Environmental Engineering, University of Macau（澳门大学土木与环境工程系） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 研究自动驾驶中轨迹预测问题，提出SWIFT框架，结合小世界网络与交通流理论，通过特定网络和模块引入结构偏差与增强推理，实验证明其在多方面优于基线，展现出结构感知设计的有效性。

Comments Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence

Shortcut Trajectory Planning for Efficient Offline Reinforcement Learning

用于高效离线强化学习的捷径轨迹规划

Guanquan Wang, Yoshimasa Tsuruoka

机构 * The University of Tokyo（东京大学） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO、cs.AI

AI总结 研究针对离线强化学习中轨迹规划器的问题，提出捷径轨迹规划（STP）框架，将捷径模型作为轨迹生成器，单阶段训练条件捷径轨迹模型，支持可调推理，用增强可行性感知校正的评论家选候选计划，在多任务基准测试中性能强且简化训练管道。

Comments 16 pages, 3 figures

A Query-Driven Communication-Efficient Digital Twins Design for Autonomous Driving

面向自动驾驶的查询驱动通信高效数字孪生设计

Nuocheng Yang, Longyu Zhou, Sihua Wang, Changchuan Yin, Tony Q. S. Quek

机构 * Beijing Laboratory of Advanced Information Network（北京先进信息网络实验室） ； Beijing Key Laboratory of Network System Architecture and Convergence（北京网络系统架构与收敛重点实验室） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Information Systems Technology and Design Pillar（信息系统技术与设计学院） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 提出查询驱动数字孪生架构，通过主动请求所需环境数据减少冗余，优化问题最小化位置误差并满足保真度和通信约束，设计跨时间步渐进查询机制，实现位置误差降低24%、通信开销减少40%。

Comments 14 pages, 9 figures

ASSCG: Just-Right Gating over Chattering for Fast-Slow LLM Planning in Autonomous Driving

ASSCG：自动驾驶中快慢LLM规划的恰到好处门控

Sining Ang, Yuan Chen, Liu Haiyan, Xuanyao Mao, Jason Bao, Xuliang, Bingchuan Sun, Yan Wang

机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Department of Automation, University of Science and Technology of China（中国科学技术大学自动化系） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； Lenovo Group Limited（联想集团） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 提出自适应慢系统控制门（ASSCG），通过帧级查询/缓存/丢弃决策优化快慢规划器调用，结合RWKV骨干网络和GRPO风格强化学习，在nuPlan和NAVSIM上分别提升性能并降低延迟。

AlignDrive: Aligned Lateral-Longitudinal Planning for End-to-End Autonomous Driving

AlignDrive: 用于端到端自动驾驶的对齐横向-纵向规划

Yanhao Wu, Haoyang Zhang, Fei He, Rui Wu, Yanhu Shan, Congpei Qiu, Liang Gao, Wei Ke, Tong Zhang

机构 * School of Software Engineering, XJTU（软件工程学院，西安交通大学） ； Horizon Robotics ； Shenzhen Loop Area Institute（深圳河套学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 本文提出一种 cascaded 框架，通过将纵向规划转化为路径条件推理过程，提升自动驾驶的协调性和安全性。方法引入锚点回归设计和规划导向的数据增强策略，实现在 Bench2Drive 上达到 SOTA 性能。

Comments underreview

Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency

车道变更轨迹规划：个性化驾驶舒适性与移动效率

Haoxuan Dong, Dongjun Li, Ziyou Song

机构 * Department of Mechanical Engineering（机械工程系） ； Department of Electrical Engineering（电气工程系） ； National University of Singapore（新加坡国立大学） ； Computer Science（计算机科学） ； University of Michigan（密歇根大学） 纠错

专题命中 规划控制 ：trajectory planning(title,abstract)；分类 cs.RO、cs.AI

AI总结 提出一种神经网络驱动的轨迹规划器，结合三阶多项式轨迹生成与学习模块，通过双头共享骨干和基于误差胜者逻辑回归的统计门控机制，实现个性化舒适性与移动效率的平衡。

Comments Accepted by the IEEE Intelligent Vehicles Symposium (IEEE IV 2026), Detroit, MI, United States, June 22_25, 2026

PLAN-S: Bridging Planning with Latent Style Dynamics for Autonomous Driving World Models

PLAN-S：通过潜在风格动态桥接规划以实现自动驾驶世界模型

Xiaoyun Qiu, Jingtao He, Yijie Chen, Yusong Huang, Haotian Wang, Yixuan Wang, Xinhu Zheng

机构 * Intelligent Transportation Thrust, Systems Hub, and Center of Seamless Connectivity & Connected Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（智能交通 thrust、系统中心及无缝连接与智能连接研究院，香港科学与技术大学（广州）） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 提出PLAN-S框架，通过从潜在表示解码风格条件语义成本图，解决自动驾驶中潜在世界模型规划的可控性问题，在nuScenes和NAVSIM上降低了碰撞率并提升了驾驶性能。

COTTA: Context-Aware Transfer Adaptation for Trajectory Prediction in Autonomous Driving

COTTA: 面向自动驾驶轨迹预测的上下文感知迁移适应

Seohyoung Park, Jaeyeol Lim, Seoyoung Ju, Kyeonghun Kim, Nam-Joon Kim, Hyuk-Jae Lee

机构 * Ewha Womans University（成均馆大学） ； Seoul National University（首尔国立大学） ； Sangmyung University（Sangmyung 大学） ； NVIDIA 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文研究将基于美国数据训练的轨迹预测模型QCNet迁移到韩国道路环境，通过对比四种训练策略，发现冻结编码器并微调解码器可在精度和效率间取得最佳平衡，预测误差降低66%以上。

Comments 4 pages, 2 figures. Accepted at ICEIC 2026

C-CoT: Counterfactual Chain-of-Thought with Vision-Language Models for Safe Autonomous Driving

C-CoT：基于视觉-语言模型的反事实链式推理用于安全自动驾驶

Kefei Tian, Yuansheng Lian, Kai Yang, Xiangdong Chen, Shen Li

机构 * College of Transportation, Tongji University（同济大学交通运输学院） ； Department of Civil Engineering, Tsinghua University（清华大学土木工程系） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） ； Department of Civil and Environmental Engineering, National University of Singapore（新加坡国立大学土木与环境工程系） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.CV

AI总结 本文提出C-CoT框架，利用视觉-语言模型将驾驶决策分解为五个阶段，通过反事实推理提升自动驾驶在复杂环境中的安全性和鲁棒性。

CHARMS: A Cognitive Hierarchical Agent for Reasoning and Motion Stylization in Autonomous Driving

CHARMS：用于自动驾驶中的推理与运动风格化的认知层次代理

Jingyi Wang, Duanfeng Chu, Zejian Deng, Liping Lu, Jinxiang Wang, Chen Sun

机构 * School of Mechanical and Electronic Engineering, Wuhan University of Technology（武汉理工大学机械与电子工程学院） ； Intelligent Transportation Systems Research Center, Wuhan University of Technology（武汉理工大学智能交通系统研究所） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） ； School of Mechanical Engineering, Southeast University（东南大学机械工程学院） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 CHARMS通过强化学习预训练和监督微调pipeline，实现人类般的决策行为和交互真实性，同时利用泊松认知层次理论生成多样化驾驶场景。

Journal ref ITSC 2025

LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios

LiloDriver：一种面向长尾自动驾驶场景闭环运动规划的终身学习框架

Huaiyuan Yao, Pengfei Li, Bu Jin, Yupeng Zheng, An Liu, Lisen Mu, Qing Su, Qian Zhang, Yilun Chen, Peng Li

机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Horizon Robotics（地平线机器人） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 LiloDriver通过结合大语言模型与记忆增强的规划生成系统，实现了在长尾自动驾驶场景中闭环运动规划的持续适应，优于传统规则和学习方法。

Comments 7 pages, 3 figures

Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving

融合驾驶员感知与物理风险用于自动驾驶安全关键场景筛选

Chen Xiong, Ziwen Wang, Deqi Wang, Cheng Wang, Yiyang Chen, He Zhang, Chao Gou

机构 * Guangdong Provincial Key Laboratory of Intelligent Transportation System, School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（广东省智能交通系统重点实验室，智能系统工程学院，中山大学深圳校区） ； school of Transportation and Logistics, Southwest Jiaotong University（交通运输与物流学院，西南交通大学） 纠错

专题命中 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO、cs.AI

AI总结 本文提出一种融合驾驶员风险的危险场景筛选方法，通过改进的驾驶员风险场和动态成本模型生成高质量风险监督信号，提升自动驾驶中安全关键场景的筛选效率与准确性。