自动驾驶

Driving with DINO: Vision Foundation Features as a Unified Bridge for Sim-to-Real Generation in Autonomous Driving

驾驶用DINO：作为自动驾驶仿真到现实生成的统一桥梁的视觉基础特征

Xuyang Chen, Conglang Zhang, Chuanheng Fu, Zihao Yang, Kaixuan Zhou, Yizhi Zhang, Yanfeng Zhang, Mingwei Sun, Zhen Dong, Xiaoxiao Long, Zengmao Wang, Liqiu Meng

机构 * Technical University of Munich（慕尼黑技术大学） ； Huawei Hilbert Research Center（华为希利伯特研究中心） ； Huawei Riemann Lab（华为里曼实验室） ； Wuhan University（武汉大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanjing University（南京大学） 纠错

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

AI总结 DwD通过利用视觉基础模块特征作为统一桥梁，解决自动驾驶仿真到现实生成中的现实性与真实性困境，提升控制精度与时间稳定性。

Comments Accepted to ACM MM 2026

Multimodal Trajectory Planning for Surface Vehicles using Turning Circle-based Control Barrier Functions

基于转向圆型控制障碍函数的水面航行器多模态轨迹规划

Changyu Lee

机构 * Kongju National University（公州国立大学） 纠错

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

AI总结 本文针对动态环境下自主水面航行器，提出结合MPC与TC-CBF的无引导路径多模态轨迹规划框架，可提升避碰成功率、减少安全违规并缓解局部极小问题。

Comments This work has been submitted to an Elsevier journal for possible publication

Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing

自主赛车最短时间轨迹规划中的控制感知约束自适应

Ann-Kathrin Schwehn, Alexander Langmann, Mattia Piccinini, Johannes Betz

机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） 纠错

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

AI总结 针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。

Comments Accepted at IEEE ITSC 2026

Long-term Traffic Scene Prediction via Polynomial Representations in Autonomous Driving

自动驾驶中基于多项式表示的长期交通场景预测

Yue Yao

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

AI总结 本研究提出基于多项式表示的自动驾驶交通场景预测模型，结合理论分析与实证验证，在标准基准上接近最优准确率，提升分布偏移下的泛化能力，生成更合理的多智能体场景，降低计算成本。

Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs

用于自动驾驶视觉语言模型可验证推理的未来轨迹延迟暴露

Zixuan Huang, Yang Zhou, Kaixuan Wang, Guli Zhang, Hongyan Xie, Yakun Zhu, Hao Geng, Xiaozhi Chen, Yikun Ban, Deqing Wang

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

AI总结 该研究针对自动驾驶VLA模型的轨迹锚定偏差问题，提出AD-MCQ规划框架与DEFT-RLVR方法，将未来轨迹转化为决策后验证目标，提升了自动驾驶推理能力并保留了通用视觉能力。

A Forward-Inverse Dynamic Game Framework for Enhanced Multi-Agent Trajectory Planning

用于增强多智能体轨迹规划的前向-逆向动态博弈框架

Tianle Liu, Youcheng Niu, Jing Zeng, Shuo Li, Jinming Xu

机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） 纠错

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

AI总结 针对多智能体轨迹规划的动态博弈方法局限，本文提出带状态依赖权重的KL正则化动态博弈及上下文感知逆向博弈模块，经模拟与多机器人实验验证了其有效性。

STAGE: STyle-controllable Action GEneration for personalized autonomous driving

STAGE：面向个性化自动驾驶的风格可控动作生成

Zihao Liu, Xing Liu, Yizhai Zhang, Panfeng Huang

机构 * Northwestern Polytechnical University（西北工业大学） ； School of Astronautics（航天学院） ； Research Center for Intelligent Robotics（智能机器人研究中心） ； National Key Laboratory of Aerospace Flight Dynamics（航空航天飞行动力学重点实验室） 纠错

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

AI总结 本文针对自动驾驶系统难以匹配用户个性化驾驶风格的问题，提出STAGE风格可控动作生成方法，通过模仿学习与偏好学习实现风格控制，实验验证其风格对齐与安全性能。

Comments Accepted for publication in IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 2, pp. 2130-2137, Feb. 2026

Untangling Co-Drift: Proactive Multi-Intent Failure Prediction and Root-Cause Disambiguation for Self-Driving Networks

解开共同漂移：自动驾驶网络的主动多意图故障预测与根本原因消歧

Md. Kamrul Hossain, Walid Aljoby

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

AI总结 研究自动驾驶网络中因意图因果耦合导致故障难辨的问题，提出MILD框架，通过教师增强的专家混合架构及混合目标优化意图故障预测与根本原因归因，经多环境评估，该框架能实现高故障检测率等，推动下一代自主网络闭环保证。

Comments Under review in IEEE Transactions on Network and Service Management

ForgeDrive: Bidirectional Cross-Conditioning for Unified Visual-Action Generation in Autonomous Driving

ForgeDrive: 自动驾驶中统一视觉-动作生成的双向交叉条件

Xuchang Zhong, He Zheng, Chenxu Zhao, Tianxiong Lv, Hangqi Fan, Bohua Wang, Yushan Liu, Li Gao, Zhihao Liao, Leigang Luo, Congyang Zhao, Yang Cai

机构 * Amap, Alibaba Group（阿里巴巴集团高德地图） 纠错

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

AI总结 提出ForgeDrive统一自回归扩散框架，通过“先动作后想象”范式实现视觉与动作的双向交叉条件，解决级联误差问题，在NAVSIM上优于现有规划器。

Remote ID Spoofing-Aware Trajectory Planning for Small Unmanned Aerial Systems

小型无人机系统的远程ID欺骗感知轨迹规划

Jeremiah Webb, Bryce Bjorkman, Abel Diaz Gonzalez, Austin Coursey, Noah Dahle, Kailani Lemieux Mack, Filippos Fotiadis, Gautam Biswas, Bryan C. Ward, Abenezer Taye

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

AI总结 针对小型无人机在RID位置欺骗攻击下的轨迹规划问题，提出分散式欺骗感知框架，利用物理层观测评估广播可信度，检测定位欺骗代理，集成到规划器中，仿真显示可减少近空中碰撞事件且保持计算效率。

Comments 9 pages, 3 figures, to be published in IEEE DASC 2026 Conference proceedings

STITCHER: Constrained Trajectory Planning in Complex Environments with Real-Time Motion Primitive Search

STITCHER：通过实时运动原语搜索在复杂环境中进行约束轨迹规划

Helene J. Levy, Brett T. Lopez

机构 * VECTR Laboratory, University of California, Los Angeles（VECTR实验室，加州大学洛杉矶分校） 纠错

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

AI总结 研究针对自主高速穿越复杂环境的轨迹规划问题，提出无优化规划框架STITCHER，通过拼接短轨迹段和图搜索实时计算轨迹，经模拟与硬件测试验证其性能优越，能满足多种约束并高速实时规划。

Trajectory Planning and Certification for 3-DOF Robot Manipulators Using Real Quantifier Elimination Based on Comprehensive Gröbner Systems

基于综合格罗贝格系统的实量词消去法用于3自由度机器人操作器的轨迹规划与验证

Yu Nakai, Akira Terui, Masahiko Mikawa

机构 * University of Tsukuba, Tsukuba, Japan（茨口大学） 纠错

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

AI总结 该研究针对3自由度机器人操作器，提出基于综合格罗贝格系统的实量词消去法（CGS-QE），用于轨迹规划与验证。通过计算参数系统的CGS避免逐点重算格罗贝格基，提高效率，还能验证多种轨迹的逆运动学解，算法在Risa/Asir中实现。

Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles

基于CBF引导扩散模型的无人机安全轨迹规划

Peiwen Yang, Shiyu Bai, Weisong Wen, Yixin Gao, Jiahao Hu

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

AI总结 本文提出AeroTrajGen框架，通过CBF引导采样提升扩散模型在无人机轨迹生成中的安全性与敏捷性，减少碰撞率94.7%。

Comments Some equations need to be checked

Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators

机器人操作器中经典和控制感知最优轨迹规划的动态评估

Bhanuka Dayawansa, Rohan Munasinghe

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

AI总结 研究机器人操作器轨迹规划，提出控制感知最优轨迹规划框架，纳入动力学和执行器努力，用中点线性化策略，通过统一评估框架对比经典方法，能降低跟踪误差等，证明仅运动学平滑不能确保高效执行。

Comments Accepted at MERCon 2026. To be presented at MERCon 2026. 7 pages, 7 figures

UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation

UNIVERSE：面向自动驾驶的基于灵活掩码调制模态生成的统一视频动作模型

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Francesco Nex, Hao Cheng, Michael Ying Yang

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

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

AI总结 针对现有方案难以将视频建模收益迁移至轨迹生成的问题，提出单掩码调制扩散Transformer的统一模型，通过模态解耦掩码实现直接的视频监督，大幅提升跨域动作泛化与推理效率。

Comments 18 pages, 7 figures, 8 tables

A Survey of Reinforcement Learning-Based Motion Planning for Autonomous Driving: Lessons Learned from a Driving Task Perspective

基于强化学习的自动驾驶运动规划综述：从驾驶任务角度吸取的经验教训

Zhuoren Li, Guizhe Jin, Ran Yu, Weiqi Zhang, Zhiwen Chen, Nan Li, Lu Xiong, Ilya Kolmanovsky, Dimitar Filev, Bo Leng, Jia Hu

机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Hagler Institute for Advanced Study, Texas A&M University（德克萨斯大学A&M分校哈格勒先进研究学院） 纠错

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

AI总结 综述基于强化学习的自动驾驶运动规划，先概述强化学习方法基础，再调研其在运动规划中的应用，分析特定场景特征与任务要求，总结关键设计经验并为未来实施提供指导，还探讨前沿挑战及应对策略。

Comments 20 pages, 3 figures

DriveVer: Lightweight Trajectory Evaluator as Test-Time Verifier for Autonomous Driving

DriveVer: 自动驾驶的轻量级轨迹评估器作为测试时验证器

Chong He, Yuechen Luo, Fang Li, Shaoqing Xu, Fuxi Wen

机构 * Tsinghua University（清华大学） ； University of Macau（澳门大学） 纠错

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

AI总结 提出DriveVer，一种轻量级即插即用的测试时验证器，通过双头架构融合候选轨迹与多视图视觉特征，预测安全置信度和几何修正向量，在不增加训练成本下提升规划模型性能。

PlanRL: A Trajectory Planning Architecture for Reinforcement Learning-based Driving Experts

PlanRL: 一种用于基于强化学习的驾驶专家的轨迹规划架构

Joonhee Lim, Yongjae Lee, Jangho Shin, Dongsuk Kum

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Hyundai Motor Company（现代汽车公司） 纠错

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

AI总结 提出一种将强化学习策略与多项式轨迹规划器结合的轨迹规划架构，通过Frenet坐标系简化道路几何并加入运动学可行性检查，在CARLA基准上驾驶评分提升5%-11%，成功率提升8%-19%。

Comments Accepted at IROS 2026

Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios

基于优化的多楼层场景自动驾驶地面车辆安全轨迹规划

Zishang Xiang, Runda Zhang, Runqi Chai, Kaiyuan Chen, Senchun Chai, Yuanqing Xia

机构 * Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。

Vec-QMDP: Vectorized POMDP Planning on CPUs for Real-Time Autonomous Driving

Vec-QMDP：面向实时自动驾驶的CPU矢量化POMDP规划

Xuanjin Jin, Yanxin Dong, Bin Sun, Huan Xu, Zhihui Hao, XianPeng Lang, Panpan Cai

机构 * Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 提出Vec-QMDP，一种CPU原生并行规划器，通过数据导向设计、层次化并行和矢量化碰撞检测，实现比最先进串行规划器快227-1073倍的速度，在毫秒级延迟下完成大规模自动驾驶规划。

Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation

Metis: 一种用于自动驾驶和城市导航的通用高效世界-动作模型

Jingyu Li, Zhe Liu, Dongnan Hu, Junjie Wu, Zipei Ma, Wenxiao Wu, Chao Han, Zhihui Hao, Zhikang Liu, Kun Zhan, Jiankang Deng, Xiatian Zhu, Li Zhang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The University of Hong Kong（香港大学） ； Tongji University（同济大学） ； Li Auto Inc.（理想汽车） ； Huazhong University of Science and Technology（华中科技大学） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

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

AI总结 提出Metis框架，通过解耦视频生成与动作预测，采用混合专家架构和不对称注意力掩码，实现高效推理与泛化，在多个导航基准上取得最优性能。

Envision4D: Envisioning Visual Futures via Feed-forward 4D Gaussian Splatting for Autonomous Driving

Envision4D: 通过前馈4D高斯泼溅展望自动驾驶的视觉未来

Qi Song, Yifei He, Chi Zhang, Zheng Fu, Xuhe Zhao, Mengmeng Yang, Kun Jiang, Rui Huang, Diange Yang

机构 * Tsinghua University（清华大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

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

AI总结 提出Envision4D，一种全自监督前馈框架，通过未来姿态预测、层内时间注意力和条件运动提升，实现无位姿的未来外推，在自动驾驶动态场景预测中达到最先进性能。

Comments Project Page: https://maggiesong7.github.io/research/Envision4D/

Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning

基于可微约束轨迹规划的实时精确无碰撞遥操作

Max Grobbel, Tristan Schneider, Daniel Flögel, Sören Hohmann

机构 * FZI - Forschungszentrum Informatik（FZI 信息技术研究中心） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

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

AI总结 针对遥操作中自碰撞与环境碰撞问题，提出基于对偶可微碰撞约束的轨迹规划方法，采用胶囊体与多面体建模，实现更低计算时间和更精确障碍物建模，保证平滑无碰撞遥操作。

Comments 8 pages, 4 figures, accepted at ICRA2026

Test-Time Trajectory Optimization for Autonomous Driving

自动驾驶的测试时轨迹优化

Yihong Xu, Eloi Zablocki, Yuan Yin, Elias Ramzi, Ellington Kirby, Alexandre Boulch, Matthieu Cord

机构 * valeo.ai ； Sorbonne Université（索邦大学） ； CNRS（国家科学研究中心） ； ISIR（信息科学研究所） 纠错

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

AI总结 提出TOAD方法，在测试时使用交叉熵方法优化轨迹，无需重新训练即可提升多种规划器的性能。

Mission-Level Runtime Assurance Framework for Autonomous Driving

自动驾驶任务级运行时保证框架

Chieh Tsai, Salim Hariri

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 规划控制 ：autonomous driving(title,abstract)；分类 cs.RO

AI总结 提出一种评估驾驶安全与任务完成能力的运行时保证框架，通过监控系统拒绝不可行命令，实验证明其优于仅关注平台安全的方法。

Waypoints Matter: A Systematic Study for Sampling-Based Trajectory Planning

航点至关重要：基于采样的轨迹规划的系统研究

Josep M. Barbera, Antonio Artuñedo, Jorge Villagra

机构 * AUTOPIA Program at the Centre for Automation and Robotics, CSIC-Universidad Politécnica de Madrid（自动化与机器人中心，CSIC-马德里理工大学） 纠错

专题命中 规划控制 ：trajectory planning(title)；autonomous driving(abstract)；分类 cs.RO

AI总结 本文系统研究了航点放置策略（均匀间隔、RDP*变体、曲率条件分配）对采样轨迹规划器性能的影响，发现标称航点间距是主要性能驱动因素，均匀采样在适当间距下表现最佳。

Comments 8 pages, 5 figures, 3 tables; accepted at IEEE ITSC 2026

A Fast Integrated Planning and Control Framework for Autonomous Driving via Imitation Learning

一种通过模仿学习的快速集成规划与控制系统用于自动驾驶

Liting Sun, Cheng Peng, Wei Zhan, Masayoshi Tomizuka

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

AI总结 本文提出一种结合学习与优化方法的两层框架，通过神经网络学习长期最优策略并结合短期优化控制器提升自动驾驶的安全性和效率。

Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving

桥接预测不确定性与安全行动：面向自动驾驶的样本条件可微分规划

Chengzhen Meng, Pei Liu, Zhiyu Huang, Chen Lv, Jun Ma

机构 * Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology（香港科学与技术大学机器人与自主系统方向） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科学与技术大学电子与计算机工程系） ； Department of Civil and Environmental Engineering, University of California, Los Angeles（加州大学洛杉矶分校土木与环境工程系） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） 纠错

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

AI总结 提出一种样本条件可微分规划框架，通过扩散模型生成多样未来场景并直接输入可微分规划器，利用条件风险价值约束缓解预测不确定性，实现安全、高效、舒适的自动驾驶运动规划。

DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning

DriveAnchor: 用于自动驾驶规划的渐进式基于锚点的流学习

Limin Yan, Haoyun Tang, Yutao Qiu, Hongqing Liu, Haoyu Xu

机构 * Meituan Autonomous Driving（美团自动驾驶） ； Xi’an Jiaotong University（西安交通大学） ； Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 提出三阶段框架DriveAnchor，通过示范流预训练、引导流后训练和奖励精炼流微调，实现行为多样性、可控性和安全性，在200万场景中近距碰撞率降低89%，平均奖励提升32%。

LAP: Fast LAtent Diffusion Planner for Autonomous Driving

LAP：面向自动驾驶的快速潜在扩散规划器

Jinhao Zhang, Wenlong Xia, Zhexuan Zhou, Haoming Song, Youmin Gong, Jie Mei

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出LAP框架，在VAE学习的潜在空间中进行规划，通过单步去噪实现高质量规划，在nuPlan基准上达到学习型规划方法的最优闭环性能，推理速度提升高达10倍。