Neuro-Cognitive Reward Modeling for Human-Centered Autonomous Vehicle Control
神经认知奖励建模用于以人为中心的自动驾驶控制
机构 * University of Technology Sydney（悉尼科技大学）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出基于EEG的决策框架，将人类认知信息整合到强化学习中，提升自动驾驶的避障能力。
视觉与机器人
自动驾驶
自动驾驶感知、规划、BEV、占用预测、激光雷达和仿真评测。
1. 规划控制 4272 篇
Energy-Aware Imitation Learning for Steering Prediction Using Events and Frames
面向能量效率的模仿学习用于转向预测的事件与帧结合
机构 * Southeast University（东南大学） ； Technical University of Munich（慕尼黑工业大学） ； Tongji University（同济大学）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出一种面向能量效率的模仿学习框架，结合事件和帧数据进行转向预测，通过设计能量驱动的跨模态融合模块和能量感知解码器，提升预测的可靠性和安全性。
Comments Submitted to the journal
Safety Guardrails in the Sky: Realizing Control Barrier Functions on the VISTA F-16 Jet
天空中的安全护栏：在VISTA F-16喷气式飞机上实现控制障碍函数
专题命中 规划控制 ：self-driving(abstract)；分类 cs.RO
AI总结 本文提出Guardrails机制，通过结合人类或AI指令与安全控制动作，确保自主系统在边缘操作域安全运行，展示了其在F-16飞行测试中的有效性。
Declarative Scenario-based Testing with RoadLogic
基于RoadLogic的声明式场景测试
机构 * AIT Austrian Institute of Technology（AIT奥地利技术研究所）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.AI
AI总结 本文提出RoadLogic，通过答案集编程生成抽象计划，结合运动规划生成可行轨迹，并基于规范进行验证，实现声明式OS2规范与可执行模拟的桥梁，提升自动驾驶系统场景测试的系统性。
Comments Accepted at the 29th ACM International Conference on Hybrid Systems: Computation and Control (HSCC 2026). The final version will appear in the ACM Digital Library
VerseCrafter: Dynamic Realistic Video World Model with 4D Geometric Control
VerseCrafter：基于4D几何控制的动态真实视频世界模型
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； HKU（香港大学） ； ARC Lab, Tencent PCG（腾讯PCG ARC实验室）
专题命中 规划控制 ：occupancy(abstract)；分类 cs.CV
AI总结 本文提出VerseCrafter，通过4D几何控制生成动态真实视频，相比传统方法更精确控制相机和多物体运动。
Comments Project Page: https://sixiaozheng.github.io/VerseCrafter_page/, Accepted by CVPR 2026
HMPDM: A Diffusion Model for Driving Video Prediction with Historical Motion Priors
HMPDM：一种利用历史运动先验的扩散模型用于驾驶视频预测
机构 * Department of Civil Engineering, Stony Brook University（石溪大学土木工程系）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出HMPDM模型，通过引入历史运动先验提升驾驶视频预测的时序一致性与视觉质量，实验表明其在Cityscapes和KITTI基准上优于现有方法，FVD指标提升28.2%。
Autonomous overtaking trajectory optimization using reinforcement learning and opponent pose estimation
基于强化学习和对手姿态估计的自主超车轨迹优化
机构 * University of Zagreb（萨格勒布大学） ； Faculty of Mechanical Engineering and Naval Architecture（机械工程与海军建筑学院）
专题命中 规划控制 ：LiDAR(abstract)；分类 cs.RO
AI总结 本文提出利用强化学习和传感器数据进行自主超车轨迹优化，通过融合LiDAR和深度相机数据提高对手姿态估计精度，实验证明在仿真和真实场景中均能有效执行超车动作。
Comments The paper is accepted and presented on the 35th International Conference on Robotics in Alpe-Adria-Danube Region, RAAD 2026, Bratislava, Slovakia
DTP-Attack: A decision-based black-box adversarial attack on trajectory prediction
DTP-Attack：一种基于决策的黑盒对抗攻击用于轨迹预测
机构 * Tongji University（同济大学） ； Graz University of Technology（格拉茨技术大学） ； Virtual Vehicle Research（虚拟车辆研究院）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出DTP-Attack，一种针对轨迹预测系统的基于决策的黑盒对抗攻击方法，通过二进制决策输出实现高可控性和可靠性，有效提升攻击成功率并降低对模型内部信息的依赖。
Comments ICRA 2026
T-SKM-Net: Trainable Neural Network Framework for Linear Constraint Satisfaction via Sampling Kaczmarz-Motzkin Method
T-SKM-Net：基于采样Kaczmarz-Motzkin方法的可训练神经网络框架用于线性约束满足
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.AI
AI总结 本文提出T-SKM-Net框架，通过将混合约束问题转化为纯不等式问题，并结合采样Kaczmarz-Motzkin方法进行迭代求解，实现神经网络在约束满足中的高效处理，同时保证了端到端的可训练性。
Chance-Constrained Iterative Linear-Quadratic Stochastic Games
机会约束迭代线性二次随机博弈
机构 * Institute for Interdisciplinary Sciences, Tsinghua University（清华大学交叉信息研究院） ； Tier IV, Inc.（Tier IV公司） ； Shanghai Qizhi Institute（上海期智研究院）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出CCILQGames算法，通过增广拉格朗日方法解决机会约束随机博弈问题，在自动驾驶场景中验证了其生成安全交互策略的能力。
Comments Updated version of the published IEEE RA-L paper. Assumption 1 and strategy space definition revised to make the information structure explicit. Theorem 1 assumptions are more explict. No changes to algorithm or experimental results
Off-Policy Safe Reinforcement Learning with Constrained Optimistic Exploration
基于约束乐观探索的非策略安全强化学习
机构 * Faculty of Mechanical Engineering（机械工程学院） ； Delft University of Technology（代尔夫特理工大学） ； Faculty of Electrical Engineering, Mathematics and Computer Science（电气工程、数学和计算机科学学院）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出COX-Q算法，通过约束乐观探索和保守离线分布价值学习，解决非策略安全强化学习中的约束违反问题，实现在安全关键应用中的高效样本利用和可控数据收集成本。
Comments 21 pages, 9 figures, accepted by ICLR 2026 poster
Rectify, Don't Regret: Avoiding Pitfalls of Differentiable Simulation in Trajectory Prediction
纠正，而非后悔：避免可微模拟在轨迹预测中的陷阱
机构 * University of Wuppertal（乌珀塔尔大学）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出一种非可微的递推滚动方法，通过切断计算图来避免可微模拟中的捷径学习，提升轨迹预测的鲁棒性和恢复能力。
Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications
面向实时应用的风险感知障碍避障算法
机构 * Department of Marine Technology, Norwegian University of Science and Technology（挪威科学技术大学海洋技术系）
专题命中 规划控制 ：LiDAR(abstract)；分类 cs.RO
AI总结 本文提出一种混合风险感知导航架构，结合障碍物概率建模与平滑轨迹优化，提升自主水面 vessel 在动态环境中的安全性和自主性。
On the Road with 16 Neurons: Mental Imagery with Bio-inspired Deep Neural Networks
16个神经元的旅程：基于生物启发深度神经网络的视觉预测
机构 * Dept. of Information Engineering and Computer Science（信息工程与计算机科学系） ； Dept. of Industrial Engineering（工业工程系） ； University of Trento, Italy（意大利特伦托大学）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出了一种基于生物启发深度神经网络的视觉预测策略，通过构建具有层次结构的神经元集合来提取抽象概念，并在自动驾驶任务中实现高效表示学习。
Comments 18 pages, 10 figures
DexDrummer: In-Hand, Contact-Rich, and Long-Horizon Dexterous Robot Drumming
DexDrummer: 手持式、接触密集且长周期的灵巧机器人敲击
机构 * Stanford University（斯坦福大学） ； National Taiwan University（国立台湾大学）
专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO
AI总结 本文提出DexDrummer，通过模拟训练实现多手灵巧敲击，解决手持、接触密集和长周期操控难题，展示在模拟和现实中的优越性能。
Comments Website: https://dexdrummer.github.io/
Feasibility of Augmented Reality-Guided Robotic Ultrasound with Cone-Beam CT Integration for Spine Procedures
增强现实引导的机器人超声与锥束CT整合在脊柱手术中的可行性
机构 * Chair for Computer Aided Medical Procedures(CAMP), Technical University of Munich(TUM)（计算机辅助医疗程序系（CAMP），慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO
AI总结 本文提出一种基于光学透视增强现实的机器人系统，结合锥束CT与超声成像，提升脊柱手术中针具定位的准确性和效率，降低认知负荷。
Comments 8 pages, 7 figures
Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications
时空注意力增强的多智能体深度强化学习用于受限制通信的无人机辅助无线网络
机构 * School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（中山大学智能系统工程学院深圳校区） ； Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)（广东海洋工程科学实验室（珠海）） ； Department of Equipment Management and Unmanned Aerial Vehicle Engineering, Air Force Engineering University（空军工程大学装备管理与无人机工程系） ； School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.AI
AI总结 本文提出一种延迟容忍的多智能体深度强化学习算法，结合延迟惩罚奖励促进无人机间信息共享，并优化轨迹规划、网络形成和传输控制策略，同时采用时空注意力预测方法恢复丢失信息，提升网络容量和吞吐量。
GaussianSSC: Triplane-Guided Directional Gaussian Fields for 3D Semantic Completion
GaussianSSC：基于三平面的定向高斯场用于3D语义补全
专题命中 规划控制 ：occupancy(abstract)；分类 cs.RO
AI总结 本文提出GaussianSSC，一种两阶段、基于网格和三平面引导的语义场景补全方法，通过高斯场提升语义补全效果，改进单目占用估计并提升三平面特征精度。
Learning to Sample: Reinforcement Learning-Guided Sampling for Autonomous Vehicle Motion Planning
学习采样：强化学习引导的自主车辆运动规划采样
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出一种结合强化学习的采样方法，用于提升自动驾驶车辆在复杂城市环境中的运动规划效率与可靠性。
Comments 8 pages, submitted to the IEEE for possible publication
AERO-MPPI: Anchor-Guided Ensemble Trajectory Optimization for Agile Mapless Drone Navigation
AERO-MPPI：基于锚点的轨迹优化用于无地图无人机敏捷导航
机构 * Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系）
专题命中 规划控制 ：LiDAR(abstract)；分类 cs.RO
AI总结 本文提出AERO-MPPI框架，通过GPU加速统一感知与规划，利用多分辨率LiDAR点云提取锚点，构建多项式轨迹引导，提升无人机在复杂环境中的敏捷导航能力。
Comments Accepted by ICRA 2026
High-Speed, All-Terrain Autonomy: Ensuring Safety at the Limits of Mobility
高速全地形自主性：在移动极限下的安全性保证
机构 * Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； U.S. Army Ground Vehicle Systems Center（美国陆军地面车辆系统中心）
专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO
AI总结 本文提出一种新型局部轨迹规划器，通过能量约束实现高速越野车辆在复杂地形中的安全行驶，通过仿真和实验证明其在极端场景下的有效性。
Comments 19 pages, 16 figures, submitted to IEEE Transactions on Robotics
Hyper-STTN: Hypergraph Augmented Spatial-Temporal Transformer Network for Trajectory Prediction
Hyper-STTN：基于超图的时空变换网络用于轨迹预测
机构 * School of Applied and Creative Computing, Purdue University（普渡大学应用与创意计算学院） ； Department of Computer Science and Department of Intelligent Systems Engineering, Indiana University Bloomington（印第安纳大学布卢明顿分校计算机科学系和智能系统工程系） ； Department of Applied Artificial Intelligence, Sungkyunkwan University（成均馆大学应用人工智能系）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出Hyper-STTN，通过构建多尺度超图和时空变换器，有效建模人群轨迹预测中的群体和个体交互，实验表明其优于现有方法。
Comments To appear in ICRA2026
ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion
基于ADMM的分布式MPC与控制屏障函数用于安全多机器人四足运动
机构 * Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工大学机械工程系） ； The University of Texas at El Paso（德克萨斯理工大学）
专题命中 规划控制 ：trajectory planning(abstract)；分类 cs.RO
AI总结 本文提出基于ADMM的去中心化MPC框架，结合控制屏障函数约束，用于多机器人腿部系统的安全轨迹规划。通过节点-边分割公式与共识约束，将全局问题分解为独立二次规划问题，实现高效去中心化优化，提升实时性与安全性。
Single Agent Robust Deep Reinforcement Learning for Bus Fleet Control
单 agent 抗扰深度强化学习用于公交车队控制
机构 * Central South University（中南大学）
专题命中 规划控制 ：occupancy(abstract)；分类 cs.AI
AI总结 本文提出一种单 agent 强化学习框架，通过引入分类标识符和结构化奖励函数，有效解决公交调度中的拥挤问题，优于传统多 agent 方法。
Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks
具有双分支编码器的物理信息深度混合Koopman车辆动力学模型用于分布式电动卡车
机构 * School of Vehicle and Mobility, and State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University, Beijing, China（车辆与移动系统学院和智能绿色车辆与移动系统国家重点实验室，清华大学，北京，中国） ； KargoBot Inc., Beijing, China（KargoBot公司，北京，中国）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出了一种基于Koopman算子理论的全数据驱动方法，用于复杂分布式电动卡车的动力学建模，通过双分支编码器和物理信息监督机制提升建模精度和兼容性。
Comments 13 pages, 8 tables, 7 figures
PanguMotion: Continuous Driving Motion Forecasting with Pangu Transformers
PanguMotion: 基于Pangu Transformer的连续驾驶运动预测
机构 * School of Data Science, Fudan University（复旦大学数据科学学院）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.RO
AI总结 本文提出PanguMotion框架，利用Pangu-1B的Transformer模块提升连续驾驶场景的运动预测能力，通过Argoverse 2数据集的RealMotion策略生成连续序列以提升预测准确性。
Structure-Aware Multimodal LLM Framework for Trustworthy Near-Field Beam Prediction
面向可信近场波束预测的结构感知多模态大语言模型框架
机构 * School of Information Science and Engineering, Southeast University（信息科学与工程学院，东南大学） ； Institute of Communications Engineering, National Sun Yat-sen University（通讯工程学院，国立中山大学）
专题命中 规划控制 ：LiDAR(abstract)；分类 cs.AI
AI总结 本文提出基于大语言模型的多模态框架，融合历史GPS数据、RGB图像、LiDAR数据及任务特定文本提示，以提升复杂低空环境中的近场波束对齐能力。
Real-World Deployment of Cloud-based Autonomous Mobility Systems for Outdoor and Indoor Environments
云原生自主移动系统在户外和室内环境中的实际部署
机构 * Department of Mechanical and Mechatronics Engineering, University of Waterloo（滑铁卢大学机械与机电工程系） ； Technology Partnerships and Innovations, Rogers Communications, Canada Inc.（罗杰斯通讯加拿大有限公司技术伙伴关系与创新部） ； Mechanical Engineering Department, University of Alberta（阿尔伯塔大学机械工程系）
专题命中 规划控制 ：LiDAR(abstract)；分类 cs.RO
AI总结 本文提出云原生自主移动框架，通过基础设施智能传感与云计算协调提升自主操作能力，实验证明在城市环岛和医院类室内环境中的感知鲁棒性和安全性提升。
Comments This paper has been submitted to IEEE Robotics and Automation Magazine
Bridging Scene Generation and Planning: Driving with World Model via Unifying Vision and Motion Representation
弥合场景生成与规划：通过统一视觉与运动表示进行驾驶世界模型
机构 * SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS） ； Afari Intelligent Drive（Afari智能驾驶）
专题命中 规划控制 ：autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出WorldDrive框架，通过统一视觉与运动表示弥合场景生成与规划之间的差距，利用轨迹感知驾驶世界模型和未来感知奖励器提升自动驾驶规划性能。
Comments 16 pages, 9 figures. The code is available at https://github.com/TabGuigui/WorldDrive
Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation
具有未建模动态的差分驱动机器人智能控制与状态估计
机构 * With the Smart Systems , Department of Mechanical and Materials Engineering, Faculty of Technology, University of Turku（智能系统，机械与材料工程系，技术学院，图尔库大学）
专题命中 规划控制 ：LiDAR(abstract)；分类 cs.RO
AI总结 本文提出结合Lyapunov非线性控制器与自适应神经网络及EKF多传感器融合的统一控制与状态估计框架，通过在线适应方案改进RBF权重，实现未知非线性建模，并通过Lyapunov分析保证闭环稳定性，实验显示在速度跟踪性能上有显著提升。
