自动驾驶

TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale

TerraZero：用于大规模零演示自博弈的过程式驾驶模拟

Zhouchonghao Wu, Akshay Rangesh, Weixin Li, Wei-Jer Chang, Zachary Lee, Saeed Bonab, Tim Wang, Wei Zhan

机构 * Applied Intuition（应用直觉） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 研究旨在训练强大自动驾驶智能体，提出TerraZero过程式驾驶模拟器和自博弈训练堆栈，其速度快、逼真且多样。通过特定方式填充地图生成无限场景，智能体仅靠强化学习训练，能零样本泛化，在多个基准测试中表现出色。

Comments Technical Report from Applied Intuition Research

DSBench: A Comprehensive Benchmark for Evaluating External and In-Cabin Risks

DSBench：用于评估外部和车内风险的综合基准测试

Xianhui Meng, Yuchen Zhang, Zhijian Huang, Zheng Lu, Ziling Ji, Yandan Lin, Yaoyao Yin, Hongyuan Zhang, Wei Zhou, Guangfeng Jiang, Li Zhang, Long Chen, Hangjun Ye, Jun Liu, Xiaoshuai Hao

机构 * University of Science and Technology of China（中国科学技术大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Xiaomi EV（小米电动车） ； Fudan University（复旦大学） ； Xidian University（西安电子科技大学） ； South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 针对视觉语言模型在安全关键场景适用性未充分探索的问题，引入DSBench综合基准测试，涵盖外部与车内风险，分多类别。评估发现模型在复杂情况下降，构建数据集微调可提升性能，推动自动驾驶技术发展，相关资源将公开。

Think at 5 Hz, Act at 20 Hz: Asynchronous Fast-Slow Vision-Language-Action Inference for Closed-Loop Driving

以5Hz思考，20Hz行动：用于闭环驾驶的异步快慢视觉-语言-动作推理

Yun Li, Jiachen Gong, Simon Thompson, Ehsan Javanmardi, Qunli Zhang, Zifan Zeng, Shiming Liu, Peng Wang, Zixuan Guo, Manabu Tsukada

机构 * The University of Tokyo（东京大学） ； TIER IV, Inc.（TIER IV公司） ； Huawei（华为） 纠错

专题命中 仿真评测 ：end-to-end driving(abstract)；分类 cs.RO、cs.AI

AI总结 研究针对大语言模型用于闭环驾驶时推理延迟与车辆控制速率冲突的问题，提出快慢架构，慢系统用冻结主干处理历史，快专家基于缓存和当前帧回归航路点，经训练在CARLA上提升路线完成率，降低误差且可零样本转移。

Comments 13 pages, 5 figures, 4 tables

Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation

即时NuRec：用于驾驶场景模拟的前馈3D高斯重建

NVIDIA, :, Jiahui Huang, Jiawei Ren, Michal Tyszkiewicz, Bjoern Haefner, Michael Shelley, Xin Kang, Seung Wook Kim, Ning Xu, Qi Wu, Janick Martinez Esturo, Shengyu Huang, Nick Schneider, Laura Leal-Taixe, Zan Gojcic, Sanja Fidler

机构 * NVIDIA 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 针对自动驾驶3D模拟平台中神经模拟方法存在的速度慢和需逐场景调整问题，提出即时NuRec这一前馈神经重建模型，可快速将多视图驾驶日志转为3DGS世界，在数据集上PSNR表现出色，还能用于闭环模拟。

Comments Project Page: https://research.nvidia.com/labs/sil/projects/instant-nurec/

Validate the Dream Before You Trust Its Verdict: Admissibility for World-Model Simulators

在信任世界模型模拟器的裁决之前先验证其可靠性：世界模型模拟器的可接受性

Christian Oefinger, Finn Rasmus Schäfer, Korbinian Moller, Mattia Piccinini, Johannes Betz

机构 * Autonomous Vehicle Systems Lab（自主车辆系统实验室） ； Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 研究世界模型模拟器裁决的可靠性问题，基于安全关键模拟的可信度实践定义可接受性阶梯，通过自动驾驶实例验证，指出视觉保真度不能预测行动稳健性，为世界模型模拟器的评估提供了新框架。

Comments Accepted at RSS 2026 Workshop on Robot World Models

Towards Metric-Agnostic Trajectory Forecasting

迈向度量无关的轨迹预测

Markus Knoche, Daan de Geus, Bastian Leibe

机构 * RWTH Aachen University（亚琛工业大学） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 提出度量无关的概率训练目标，并引入TraDiE策略将预测分布映射为轨迹和置信度，实现度量优化作为下游任务，在Waymo基准上取得最优结果。

Comments ECCV 2026. Project page at https://vision.rwth-aachen.de/TraDiE-policies

DriveVA: Video Action Models are Zero-Shot Drivers

DriveVA: 视频动作模型是零样本驱动器

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

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

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 DriveVA提出了一种新的自动驾驶世界模型，通过共享潜在生成过程联合解码未来视觉预测和动作序列，提升跨数据集和传感器配置的泛化能力，减少碰撞率和误差。

Comments Accepted to ECCV 2026. 30 pages, 12 figures, 11 tables

Long-term Traffic Simulation via Structured Autoregressive Modeling

基于结构化自回归建模的长期交通仿真

Lingyu Xiao, Zexin Feng, Xintao Yan

机构 * The University of Hong Kong（香港大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 提出RosettaSim框架，利用大规模序列模型的归纳偏置和统计先验，通过结构化自回归流建模场景拓扑、智能体状态和生成意图，实现短期准确与长期稳定仿真；并引入基于检索的交通评估（RTE）解决长期评估难题。

Comments ECCV 2026 Accepted

UniMM: A Unified Mixture Model Framework for Multi-Agent Simulation

UniMM：一种用于多智能体仿真的统一混合模型框架

Longzhong Lin, Xuewu Lin, Kechun Xu, Haojian Lu, Lichao Huang, Rong Xiong, Yue Wang

机构 * Zhejiang University（浙江大学） ； Horizon Robotics 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 提出UniMM框架统一回归混合模型与离散NTP模型，通过闭环样本生成缓解分布偏移，并在WOSAC基准上取得最优性能。

Comments Accepted author manuscript. The version of record has been published in IEEE Transactions on Pattern Analysis and Machine Intelligence

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, Early Access, 2026

Intelligent Automation for Embodied Benchmark Construction: Pipelines, Embodiments, Simulators, and Trends

具身基准构建的智能自动化：流程、具身、模拟器与趋势

Jinshan Lai, Jianwei Hu, Baoyang Jiang, Fengchun Zhang, Leyuan Wang, Haotian Li, Yida Wang, Tingxuan Huang, Xi Ren, Qiang Ma

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Qiyuan Lab（启元实验室） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） ； 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.RO、cs.AI

AI总结 本文综述具身智能基准构建的五阶段流程，分析从人工到自动化再到智能体闭环的转变，指出自动化将成本转向验证与治理。

Hybrid Robustness Verification for Spatio-Temporal Neural Networks

时空神经网络的混合鲁棒性验证

Sherwin Varghese, Matthew Wicker, Alessio Lomuscio

机构 * Imperial College London（伦敦帝国学院） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 针对3D CNN在视频和体素输入中的鲁棒性验证，提出时空约束建模和STBP框架，实现精确闭式传播与可扩展近似，在UCF-101等基准上提升1.7倍认证鲁棒准确率。

Comments Accepted at the 9th International Symposium on AI Verification (SAIV 2026)

NoRD: A Data-Efficient Vision-Language-Action Model that Drives without Reasoning

NoRD: 一种无需推理的高数据效率视觉-语言-动作模型

Ishaan Rawal, Shubh Gupta, Yihan Hu, Wei Zhan

机构 * Applied Intuition ； Texas A&M University（德克萨斯大学A&M分校） ； UC Berkeley（伯克利加州大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 提出NoRD模型，通过无需推理标注和仅需<60%数据微调，结合Dr. GRPO算法克服难度偏差，实现与现有VLA模型相当的性能，显著降低数据与计算开销。

Comments Accepted to CVPR 2026. Code available at: https://github.com/Applied-Open-Source/nord

Dash2Sim: Closed-Loop Driving Simulation from in-the-wild Dashcam Videos

Dash2Sim: 来自野外行车记录仪视频的闭环驾驶仿真

Anurag Ghosh, Francesco Pittaluga, Khiem Vuong, Angela Chen, Juan Alvarez-Padilla, Manmohan Chandraker, Srinivasa Narasimhan

机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校） 纠错

专题命中 仿真评测 ：self-driving(abstract)；分类 cs.RO、cs.CV

AI总结 提出Dash2Sim框架，将单目行车记录仪视频转化为度量级、地理参考的4D驾驶日志，用于闭环仿真，并构建ROADWork4D基准数据集，验证了施工区场景对规划器的挑战。

RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation

RiskFlow: 快速且保真的安全关键交通场景生成

Qi Lan, Yining Tang, Yu Shen, Yi Zhou, Yuhao Wei, Jie Li, Guofa Li

机构 * National University of Singapore（新加坡国立大学） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 提出RiskFlow框架，通过动作空间中的单次前向传输替代迭代去噪，实现快速、保真的安全关键多智能体交通场景生成。

A Survey of 3D Reconstruction with Event Cameras

事件相机三维重建综述

Chuanzhi Xu, Haoxian Zhou, Langyi Chen, Haodong Chen, Zeke Zexi Hu, Zhicheng Lu, Ying Zhou, Vera Chung, Qiang Qu, Weidong Cai

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

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文首次全面综述了基于事件相机的三维重建方法，按输入模态（立体、单目、多模态）和重建技术（几何、深度学习、神经渲染如NeRF和3DGS）分类，并讨论了数据集、评估、表示和动态场景重建等挑战。

Comments This survey has been accepted for publication in the Computational Visual Media Journal

Recent Advances in Multi-modal 3D Intelligence: A Comprehensive Survey and Evaluation

多模态3D智能的最新进展：综合调查与评估

Yinjie Lei, Zixuan Wang, Feng Chen, Guoqing Wang, Peng Wang, Yang Yang

机构 * College of Electronics and Information Engineering, Sichuan University（四川大学电子信息工程学院） ； School of Computer Science, University of Adelaide（阿德莱德大学计算机科学学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文系统综述了多模态3D智能方法，提出基于模态和任务的新分类法，并比较了基准数据集上的结果，最后讨论了未来研究方向。

Manboformer: Learning Gaussian Representations via Spatial-temporal Attention Mechanism

Manboformer: 通过时空注意力机制学习高斯表示

Ziyue Zhao, Qining Qi, Jianfa Ma

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 针对自动驾驶3D语义占用预测中高斯表示性能不足的问题，提出利用时空自注意力机制优化GaussianFormer，以提升模型性能。

Comments After careful self-check, we found several unnoticed deficiencies and incomplete discussions in this manuscript. To ensure the rigor and accuracy of academic results, we decide to withdraw this preprint. A refined, complete, and rigorous version will be submitted soon

Mode-as-Sequence: Translating Multimodal Motion Prediction into Unified Sequential Mode Modeling

模式即序列：将多模态运动预测转化为统一序列模式建模

Zikang Zhou, Haibo Hu, Xinhong Chen, Yifan Zhang, Nan Guan, Yung-Hui Li, Chun Jason Xue, Jianping Wang

机构 * City University of Hong Kong（香港城市大学） ； City University of Hong Kong (Dongguan)（香港城市大学（东莞）） ； Hon Hai Research Institute（富士康研究学院） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫丁·宾·扎耶德人工智能大学） 纠错

专题命中 仿真评测 ：LiDAR(abstract)；分类 cs.CV、cs.AI

AI总结 提出Mode-as-Sequence框架，将无序模式集转化为有序模式序列并显式建模模式间依赖，通过ModeSeq和Parallel ModeSeq两种实例化方法解决多模态运动预测中的模式坍塌和置信度排序问题，在Waymo数据集上取得领先性能。

Action Emergence from Streaming Intent

从流式意图中涌现动作

Pengfei Jing, Victor Shea-Jay Huang, Hengtong Lu, Jifeng Dai, Yan Xie, Benjin Zhu

机构 * Li Auto ； Tsinghua University（清华大学） ； CUHK 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出流式意图方法，通过连续思维链生成语义合适且安全的动作，实现自动驾驶中长尾交通场景的自主决策。

Comments Project page: https://mind-omni.github.io/

PSI: A Benchmark for Human Interpretation and Response in Traffic Interactions

PSI：用于交通互动中人类解释与响应的基准

Taotao Jing, Tina Chen, Renran Tian, Yaobin Chen, Joshua Domeyer, Heishiro Toyoda, Rini Sherony, Zhengming Ding

机构 * Tulane University（路易斯安那州立大学） ； Purdue University（普渡大学） ； North Carolina State University（北卡罗来纳州立大学） ； Toyota Motor North America（丰田美国公司） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 PSI基准通过捕捉行人过马路意图的动态变化，结合人类文本解释，为开发可解释且符合人类认知的自动驾驶系统提供支持。

Comments Published in NeurIPS 2025 datasets and benchmarks track

EagleVision: A Multi-Task Benchmark for Cross-Domain Perception in High-Speed Autonomous Racing

EagleVision：面向高速自动驾驶赛事的多任务基准测试

Zakhar Yagudin, Murad Mebrahtu, Ren Jin, Jiaqi Huang, Yujia Yue, Dzmitry Tsetserukou, Jorge Dias, Majid Khonji

机构 * Skolkovo Institute of Science, Intelligent Space Robotics Laboratory, Center for Engineering Systems and Sciences（斯科尔科沃科学技术学院，智能空间机器人实验室，工程系统与科学中心） ； Khalifa University, KUCARS-KU Center for Autonomous Robotic Systems, Department of Computer Science（哈利法大学，KUCARS-KU自主机器人系统中心，计算机科学系） ； Beijing Institute of Technology, Beijing Key Laboratory of UAV Autonomous Control（北京理工大学，北京无人机自主控制重点实验室） 纠错

专题命中 仿真评测 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出EagleVision基准测试，用于研究高速自动驾驶赛事中跨领域感知问题，通过统一的LiDAR多任务基准，提供新标注的3D边界框数据及共同评估协议，验证了跨领域泛化能力。

LLM-based Realistic Safety-Critical Driving Video Generation

基于LLM的现实安全关键驾驶视频生成

Yongjie Fu, Ruijian Zha, Pei Tian, Xuan Di

机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成，结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频，提升自动驾驶测试效率。

SimScale: Learning to Drive via Real-World Simulation at Scale

SimScale：通过大规模真实世界模拟学习驾驶

Haochen Tian, Tianyu Li, Haochen Liu, Jiazhi Yang, Yihang Qiu, Guang Li, Junli Wang, Yinfeng Gao, Zhang Zhang, Liang Wang, Hangjun Ye, Tieniu Tan, Long Chen, Hongyang Li

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统实验室） ； OpenDriveLab at The University of Hong Kong（香港大学OpenDriveLab） ； Xiaomi EV（小米汽车） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出SimScale框架，通过合成大规模未见状态提升自动驾驶鲁棒性和泛化能力，实验显示在navhard和navtest上分别提升8.6和2.9 EPDMS。

Comments CVPR 2026 Oral. Project page: https://opendrivelab.com/SimScale

Open-Ended Instruction Realization with LLM-Enabled Multi-Planner Scheduling in Autonomous Vehicles

基于LLM的多规划器调度的开放式指令实现用于自动驾驶车辆

Jiawei Liu, Xun Gong, Fen Fang, Muli Yang, Bohao Qu, Yunfeng Hu, Hong Chen, Xulei Yang, Qing Guo

机构 * Jilin University（吉林大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） ； Tongji University（同济大学） ； NKIARI ； Nankai University（南开大学） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE（教育部知识驱动人机智能工程研究中心） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出一种基于大语言模型的指令实现框架，通过实时反馈调度多个基于模型预测控制的运动规划器，提高任务完成率并降低LLM查询成本，同时确保安全性和可追溯性。

An RTK-SLAM Dataset for Absolute Accuracy Evaluation in GNSS-Degraded Environments

一种用于GNSS退化环境中绝对精度评估的RTK-SLAM数据集

Wei Zhang, Vincent Ress, David Skuddis, Uwe Soergel, Norbert Haala

机构 * Institute for Photogrammetry and Geoinformatics, University of Stuttgart（斯图加特大学摄影测量与地理信息学研究所） 纠错

专题命中 仿真评测 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出一个地质参考数据集和评估方法，揭示RTK-SLAM系统在绝对精度评估中的缺陷，通过分离RTK接收器与地面真实值，评估不同SLAM系统在开放天空和室内环境下的精度表现。

Comments Accepted by ISPRS congress 2026

Clear Roads, Clear Vision: Advancements in Multi-Weather Restoration for Smart Transportation

清晰的道路，清晰的视野：智能交通中多天气恢复的进展

Vijay M. Galshetwar, Praful Hambarde, Prashant W. Patil, Akshay Dudhane, Sachin Chaudhary

机构 * Finolex Academy of Management and Technology（Finolex管理与技术学院） ； Drone Lab, Centre for Artificial Intelligence and Robotics, IIT Mandi（印度理工学院曼迪分校人工智能与机器人中心无人机实验室） ； Mehta Family School of Data Science and Artificial Intelligence, IIT Guwahati（印度理工学院古瓦哈提分校梅塔家族数据科学与人工智能学院） ； SPACE42 ； Centre of Excellence: Artificial Intelligence, School of Computer Science, UPES Dehradun（UPES德拉敦分校计算机科学学院人工智能卓越中心） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文综述了图像和视频恢复技术，以缓解天气引起的视觉障碍，分类了传统方法和数据驱动模型，并讨论了多天气系统和未来方向。

Comments Accepted for publication in IEEE Transactions on Intelligent Transportation Systems (2026)

Causal Scene Narration with Runtime Safety Supervision for Vision-Language-Action Driving

基于运行时安全监督的因果场景叙述用于视觉-语言-动作驾驶

Yun Li, Yidu Zhang, Simon Thompson, Ehsan Javanmardi, Manabu Tsukada

机构 * Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） ； TIER IV, Inc.（TIER IV 公司） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出CSN方法，通过意图约束对齐、定量 grounding 和结构分离重构VLA文本输入，提升驾驶评分并增强安全性。

Comments 18 pages, 6 figures, 4 tables

R-PGA: Robust Physical Adversarial Camouflage Generation via Relightable 3D Gaussian Splatting

R-PGA：通过可重照明的3D高斯点散布实现鲁棒的物理对抗伪装生成

Tianrui Lou, Siyuan Liang, Jiawei Liang, Yuze Gao, Xiaochun Cao

机构 * School of Cyber Science and Technology, Shenzhen Campus, Sun Yat-sen University（中山大学深圳校区网络空间安全学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Intelligent Systems Engineering, Shenzhen Campus, Sun Yat-sen University（中山大学深圳校区智能工程学院） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出R-PGA框架，通过可重照明的3D高斯点散布技术，解决自动驾驶系统中对抗性伪装生成的鲁棒性问题，提升复杂动态场景下的泛化能力。

Comments Under review

Learning Rollout from Sampling:An R1-Style Tokenized Traffic Simulation Model

从采样中学习：一种R1风格的分词交通仿真模型

Ziyan Wang, Peng Chen, Ding Li, Chiwei Li, Qichao Zhang, Zhongpu Xia, Guizhen Yu

机构 * State Key Laboratory of Intelligent Transportation System, Key Laboratory of Autonomous Transportation Technology for Special Vehicles, Ministry of Industry and Information Technology, School of Transportation Science and Engineering, Beihang University（北京航空航天大学交通科学与工程学院，智能交通系统国家重点实验室，特种车辆自主运输技术重点实验室（工业和信息化部）） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所，多模态人工智能系统国家重点实验室） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出R1Sim模型，通过分词交通仿真结合熵引导采样和GRPO优化，实现探索与利用的平衡，生成真实安全的多智能体行为。

Failure Modes for Deep Learning-Based Online Mapping: How to Measure and Address Them

深度学习在线建图的失效模式：如何衡量和解决这些模式

Michael Hubbertz, Qi Han, Tobias Meisen

机构 * University of Wuppertal（乌珀塔尔大学） ； Aptiv Services Deutschland GmbH（Aptiv Services 德国分公司） 纠错

专题命中 仿真评测 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出框架识别和测量深度学习在线建图的失效模式，通过分离记忆输入特征和过拟合已知地图几何的效应，引入基于Fréchet距离的重建统计量和互补失效模式评分，分析数据集偏差并提出地图几何感知诊断方法，实验表明多样化和平衡的训练集能提升性能。

Comments Accepted to CVPR 2026, final camera ready version is published there