自动驾驶

3DCarGen: Scalable 3D Car Generation via 3D-consistent Multi-view Synthesis

3DCarGen: 通过3D一致的多视图合成实现可扩展的3D汽车生成

Hongli Xiao, Youjian Zhang, Yaohui Jin, Xiaoguang Ren, Wenjing Yang, Long Lan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Academy of Military Science（军事科学院） ； The University of Sydney（悉尼大学） ； College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院） 纠错

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

AI总结 提出3DCarGen框架，利用多视图扩散模型和3D高斯泼溅，从单张真实图像生成任意数量3D一致的多视图，并通过颜色-法线联合优化重建高质量3D汽车模型。

CRAX: Fast Safe Reinforcement Learning Benchmarking

CRAX：快速安全强化学习基准测试

Tristan Tomilin, Mourad Boustani, Mickey Beurskens, Thiago D. Simão

机构 * 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.AI

AI总结 提出基于JAX加速的安全RL基准CRAX，利用MJX物理引擎实现高达100倍加速，包含6个环境套件和3个智能体任务，评估6种方法揭示性能与安全权衡。

FrozenDrive: Zero-Shot Text-Guided Driving Scene Generation and Data Augmentation with Parameter-Free Frozen Diffusion Model

FrozenDrive: 零样本文本引导驾驶场景生成与数据增强的无参数冻结扩散模型

Yuhwan Jeong, Hyeonseong Kim, Daehyun We, Seonkyu Song, Jinnyeong Yang, Hyun-Kurl Jang, Youngho Yoon, Kuk-Jin Yoon

机构 * KAIST, Visual Intelligence Lab（韩国科学技术院视觉智能实验室） 纠错

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

AI总结 提出FrozenDrive框架，利用冻结的预训练扩散模型，通过知识保留的时空注意力实现多视图一致性和时间连贯性，无需微调即可生成恶劣天气下的驾驶场景，提升自动驾驶模型鲁棒性。

Comments Accepted to ECCV 2026

FlashNav: Ultra-Fast Policy Training for Robot Navigation within 20 Seconds

FlashNav：20秒内实现超快速机器人导航策略训练

Shanze Wang, Yiwei Qian, Xinming Zhang, Jun Xue, Siwei Cheng, Xianghui Wang, Qingyuan Hu, Xiaoyu Shen, Wei Zhang

机构 * Eastern Institute of Technology, Ningbo（宁波东方理工大学） ； The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 仿真评测 ：occupancy(abstract)；分类 cs.RO

AI总结 提出FlashNav框架，通过GPU加速和MDP对齐实现20秒内训练可部署的导航策略，在TurtleBot2和Unitree Go2上验证成功。

Comments 15 pages, 4 figures

DynNPC: Finding More Violations Induced by ADS in Simulation Testing through Dynamic NPC Behavior Generation

DynNPC：通过动态NPC行为生成在仿真测试中发现更多由ADS引发的违规

You Lu, Yifan Tian, Dingji Wang, Bihuan Chen, Xin Peng

机构 * College of Computer Science and Artificial Intelligence, Fudan University（计算机科学与人工智能学院，复旦大学） 纠错

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

AI总结 提出DynNPC框架，让NPC车辆在仿真执行中根据交通信号和自车行为动态生成驾驶策略，以生成更多由自动驾驶系统（ADS）引发的违规场景，提升测试效率。

Comments Accepted by TOSEM 2026

ReMoT: Reinforcement Learning with Motion Contrast Triplets

ReMoT: 基于运动对比三元组的强化学习

Cong Wan, Zeyu Guo, Jiangyang Li, SongLin Dong, Yifan Bai, Lin Peng, Zhiheng Ma, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） 纠错

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

AI总结 提出ReMoT统一训练范式，通过规则生成大规模运动对比数据集和组相对策略优化，解决VLM时空一致性问题，在时空推理任务上提升25.1%。

Comments CVPR 2026 Highlight

IR-SIM: A Lightweight Skill-Native Simulator for Navigation, Learning, and Benchmarking

IR-SIM：一种用于导航、学习和基准测试的轻量级技能原生模拟器

Ruihua Han, Shuai Wang, Chengyang Li, Rui Gao, Xinyi Wang, Zhe Liu, Guoliang Li, Yupu Lu, Qi Hao, Jia Pan, Hengshuang Zhao

机构 * The University of Hong Kong（香港大学） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） ； Southern University of Science and Technology（南方科技大学） ； University of Michigan（密歇根大学） ； University of Macau（澳门大学） 纠错

专题命中 仿真评测 ：LiDAR(abstract)；分类 cs.RO

AI总结 提出轻量级技能原生导航模拟器IR-SIM，通过YAML配置完全定义场景，支持文本提示生成与修改，用于导航算法基准测试和训练数据自动生成，并桥接高保真模拟器和真实部署。

Comments 12 pages, 6 figures, project website: https://github.com/hanruihua/ir-sim

X4Val: Learning Neural Surrogates for Variance-Reduced Policy Evaluation

X4Val: 学习方差缩减策略评估的神经代理模型

Rachel Luo, Michael Watson, Apoorva Sharma, Heng Yang, Han Qi, Edward Schmerling, Sushant Veer, Boris Ivanovic, Marco Pavone

机构 * NVIDIA Research（NVIDIA研究院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出X4Val框架，通过嵌入多域数据并学习可迁移预测器，结合控制变量估计器实现无配对样本下的方差缩减，在自动驾驶和机器人操作任务中方差降低达38.4%。

Game-Theoretic Modeling of Multi-Vehicle Interactions at Uncontrolled Intersections

多车辆在无信号交叉口交互的博弈建模

Nan Li, Yu Yao, Ilya Kolmanovsky, Ella Atkins, Anouck Girard

机构 * Robotics Institute, University of Michigan（密歇根大学机器人研究所） 纠错

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

AI总结 本文提出了一种基于博弈论的框架，用于建模自动驾驶和人工驾驶车辆在无信号交叉口的交互行为，通过参数化交叉口布局和几何结构，展示了模型在交通场景中的合理性和计算效率。

Comments 18 pages, 13 figures, 1 table

Simulation-based Adversarial Test Generation for Autonomous Vehicles with Machine Learning Components

基于模拟的对抗性测试生成用于自动驾驶车辆的机器学习组件

Cumhur Erkan Tuncali, Georgios Fainekos, Hisahiro Ito, James Kapinski

机构 * Toyota Research Institute of North America（丰田北美研究院） ； Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出了一种基于模拟的对抗性测试生成框架，用于评估包含机器学习组件的自动驾驶系统模型的闭环属性，通过测试用例生成和自动失效方法提高系统可靠性。

Comments This is a modified version of a paper presented at the 29th IEEE Intelligent Vehicles Symposium (IV 2018). Source code is available at https://cpslab.assembla.com/spaces/sim-atav

Satyam: Democratizing Groundtruth for Machine Vision

Satyam: 机器视觉领域地面真实数据的民主化

Hang Qiu, Krishna Chintalapudi, Ramesh Govindan

机构 * University of Southern California（南加州大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文提出Satyam系统，通过简化流程使非专业人员能够高效收集机器视觉的地面真实数据，从而提升自动驾驶、交通监控和视频监控系统的性能。

The CAT Vehicle Testbed: A Simulator with Hardware in the Loop for Autonomous Vehicle Applications

CAT车辆测试平台：用于自动驾驶应用的具有闭环硬件的模拟器

Rahul Kumar Bhadani, Jonathan Sprinkle, Matthew Bunting

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Arizona（亚利桑那大学） ； Tucson, USA（美国图森市） 纠错

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

AI总结 本文提出CAT车辆测试平台，通过闭环硬件模拟验证仿真结果，支持自动驾驶技术研究。平台基于ROS和物理车辆模型，支持多车交互和实时数据回放，可快速验证算法性能。

Comments In Proceedings SCAV 2018, arXiv:1804.03406

Journal ref EPTCS 269, 2018, pp. 32-47

OVO-S-Bench: A Hierarchical Benchmark for Streaming Spatial Intelligence in Multimodal LLMs

OVO-S-Bench：多模态大语言模型中流式空间智能的分层基准

Yifei Li, Pengyiang Liu, Yuhang Zang, Zhongyue Shi, Qi Fu, Hongye Hao, Jiwen Lu

机构 * Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； 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.CV

AI总结 提出OVO-S-Bench，一个完全人工标注的流式空间智能基准，包含1680个问题，涵盖四个抽象层次，评估38个MLLM，发现Gemini-3.1-Pro落后人类专家27分，流式空间微调MLLM表现不如其骨干模型。

Comments 48 pages, 12 figures, 15 tables. Project page: https://internlm.github.io/OVO-S-Bench/

IAF-Net: Illumination-Adaptive Fusion for Low-Light Urban Road Segmentation

IAF-Net：用于低光照城市道路分割的照明自适应融合网络

Bingtao Wang, Daojie Peng, Fulong Ma, Jun Ma, Liang Zhang

机构 * The Shandong University（山东大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 提出IAF-Net，通过照明自适应融合模块动态调整RGB与几何特征的融合权重，并利用亮度调制注意力解码器增强低光照特征选择，实现不同光照条件下鲁棒的道路分割。

A Pedestrian-Vehicle Interaction Benchmark and Annotation Framework for Unstructured Scenes via Uncalibrated Cameras

非标定相机下的非结构化场景行人-车辆交互基准与标注框架

Haoyang Peng, Qian Hu, Songan Zhang, Ming Yang

机构 * School of Automation and Intelligent Sensing（自动化与智能感知学院） ； Global Institute of Future Technology（未来技术全球研究院） 纠错

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

AI总结 针对非结构化场景中行人-车辆交互数据稀缺的问题，提出基于非标定监控视频的标注框架PINNS数据集，包含多国多场景的密集交互轨迹与场景信息，以促进复杂混合交通中的轨迹预测研究。

Comments 10 pages, 8 figures; project page available at https://github.com/Songan-Lab

Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks

Agent-X：评估视觉中心智能体任务中的深度多模态推理

Tajamul Ashraf, Amal Saqib, Hanan Ghani, Muhra AlMahri, Yuhao Li, Noor Ahsan, Umair Nawaz, Jean Lahoud, Hisham Cholakkal, Mubarak Shah, Philip Torr, Fahad Shahbaz Khan, Rao Muhammad Anwer, Salman Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of Central Florida（中央佛罗里达大学） ； University of Oxford（牛津大学） 纠错

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

AI总结 提出Agent-X基准，通过828个真实视觉任务和细粒度步骤评估框架，揭示当前模型在多步视觉推理中全链成功率低于50%的瓶颈。

Comments Accepted in International Conference of Learning Representations (ICLR 2026)

GSDrive: Reinforcing Driving Policies by Multi-mode Future Trajectory Probing with 3D Gaussian Splatting Environment

GSDrive: 通过多模式未来轨迹探查与3D高斯点散布环境强化驾驶策略

Ziang Guo, Chen Min, Xuefeng Zhang, Yixiao Zhou, Shuo Wang, Sifa Zheng, Dzmitry Tsetserukou, Zufeng Zhang

机构 * Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（斯克尔科维科学与技术研究院智能空间机器人实验室） ； Research Center for Intelligent Computing Systems, SKLP, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所智能计算系统研究中心，SKLP） ； Department of Electrical and Electronic Engineering, The University of Hong Kong, China（香港大学电子与电气工程系） ； SuZhou Automotive Research Institute, Tsinghua University（清华大学苏州汽车研究院） ； School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） 纠错

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

AI总结 GSDrive通过多模式轨迹探查和3D高斯点散布环境，结合模仿学习与强化学习，提升端到端自动驾驶的训练效果与鲁棒性。

Comments 2nd version

PCASim: Promptable Closed-loop Adversarial Simulation for Urban Traffic Environment

PCASim：可提示的闭环对抗模拟用于城市交通环境

Chuancheng Zhang, Zhenhao Wang, Kaizheng Li, Yaran Lin, Qiang Guo, Bin Jiang

机构 * Shenzhen Research Institute of Shandong University（山东大学深圳研究院） ； School of Airspace Science and Engineering（空天科学与工程学院） ； School of Computer Science and Technology（计算机科学与技术学院） 纠错

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

AI总结 本文提出PCASim框架，通过结合对抗场景生成与安全代理训练，提升城市交通环境中的安全性和鲁棒性，实验表明其在领域特定语言生成准确率、场景转换成功率和避障能力方面均有显著提升。

Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles

学习具有责任归属的对抗性场景以测试自动驾驶车辆

Yizhuo Xiao, Haotian Yan, Ying Wang, Zhongpan Zhu, Yuxin Zhang, Xintao Yan, Mustafa Suphi Erden, Cheng Wang

机构 * School of Engineering and Physical Sciences, Heriot-Watt University, Edinburgh, U.K.（1 工程与物理科学学院，赫瑞-沃顿大学，爱丁堡，英国） ； State Key Laboratory of Autonomous Intelligent Unmanned Systems, Tongji University, Shanghai, China（2 自主智能无人系统国家重点实验室，同济大学，上海，中国） ； College of Computer Science and Technology, Jilin University, Changchun, China（3 计算机科学与技术学院，吉林大学，长春，中国） ； University of Shanghai for Science and Technology, Shanghai, China（4 上海科技大学，上海，中国） ； National Key Laboratory of Automotive Chassis Integration and Bionics, Jilin University, Changchun, China（5 汽车底盘集成与生物力学国家重点实验室，吉林大学，长春，中国） ； Department of Civil Engineering, The University of Hongkong, Hongkong, China（6 市政工程系，香港大学，香港，中国） 纠错

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

AI总结 本文提出CARS框架，通过整合责任归属机制，生成可解释且符合规范的安全证据，提升自动驾驶系统验证的可靠性。

MDrive: Benchmarking Closed-Loop Cooperative Driving for End-to-End Multi-agent Systems

MDrive：端到端多智能体系统的闭环协作驾驶基准测试

Marco Coscoy, Zewei Zhou, Seth Z. Zhao, Henry Wei, Angela Magtoto, Johnson Liu, Rui Song, Walter Zimmer, Zhiyu Huang, Chen Tang, Bolei Zhou, Jiaqi Ma

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

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

AI总结 MDrive基准测试通过225个基于NHTSA预碰撞类型和真实V2X数据的场景，评估多智能体系统在闭环驾驶中的性能，发现多智能体系统在规划方面通常优于单智能体系统，但面临感知共享和协商在复杂交通中的挑战。

Comments website:https://mdrive-challenge.github.io/

Towards Neuro-symbolic Causal Rule Synthesis, Verification, and Evaluation Grounded in Legal and Safety Principles

迈向基于法律和安全原则的神经符号因果规则合成、验证与评估

Zainab Rehan, Christian Medeiros Adriano, Sona Ghahremani, Holger Giese

机构 * Hasso Plattner Institute \ of Potsdam Prof.-Dr.-Helmert Str. 2-3, D-14482 Potsdam, Germany ； Hasso Plattner Institute \ of Potsdam 纠错

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

AI总结 本文提出一种神经符号因果框架，结合一阶逻辑抽象树、结构因果模型和深度强化学习，通过Meta层缓解目标误指定问题，实现可扩展的规则维护。

Journal ref Neurosymbolic eXplainable Trustworthy Systems @ AAMAS 2026

Do Open-Loop Metrics Predict Closed-Loop Driving? A Cross-Benchmark Correlation Study of NAVSIM and Bench2Drive

Yiru Wang, Anqing Jiang, Shuo Wang, Yuwen Heng, Hai Yang, Yang Chen, Hao Sun

机构 * Bosch Corporate Research（博世企业研究） 纠错

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

Learning from the Unseen: Generative Data Augmentation for Geometric-Semantic Accident Anticipation

预见未见：生成式数据增强用于几何-语义事故预见

Yanchen Guan, Haicheng Liao, Chengyue Wang, Xingcheng Liu, Jiaxun Zhang, Keqiang Li, Zhenning Li

机构 * State Key Laboratory of Internet of Things for Smart City（物联网智能城市国家重点实验室） ； University of Macau（澳门大学） ； Department of Civil Engineering（土木工程系） ； Department of Computer and Information Science（计算机与信息科学系） ； Department of Automotive Engineering（汽车工程系） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出双路径框架，通过视频合成和语义图神经网络提升事故预见能力，发布新基准数据集验证方法有效性，提升自动驾驶系统可靠性。

Bridging the Experimental Last Mile: Digitizing Laboratory Know-How for Safe AI-Assisted Support

弥合实验最后一公里：数字化实验室知识以实现安全的人工智能辅助支持

Akira Miura, Yuki Sasahara, Momoka Demura, Yuji Masubuchi, Tetsuya Asai, Chikahiko Mitsui

机构 * Division of Applied Chemistry, Faculty of Engineering, Hokkaido University（北海道大学工学部应用化学科） ； Graduate School of Chemical Sciences and Engineering, Hokkaido University（北海道大学研究生院化学科学和工程学系） ； Graduate School of Information Science and Technology, Hokkaido University（北海道大学研究生院信息科学和技术学系） ； Quantum Nexus, Inc. 纠错

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

AI总结 本文提出一种结合视频、多模态AI和检索增强生成的AI助手，通过提取实验室特定知识来提升实验安全性，经评估显示其在指导和安全方面具有实用性。

Comments 32 pages in total (main 13 pages, appendix 19 pages), 2 main figures, 1 main table

Grammar-Constrained Refinement of Safety Operational Rules Using Language in the Loop: What Could Go Wrong

基于语言闭环的安全操作规则语法约束细化：可能发生的问题

Khouloud Gaaloul, Zaid Ghazal, Madhu Latha Pulimi, Sam Emmanuel Kathiravan

机构 * University of Michigan--Dearborn（密歇根大学迪尔伯恩分校） 纠错

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

AI总结 本文提出结合反事实推理与语法约束循环的框架，用于安全操作规则的细化，通过自主驾驶控制系统案例展示其在解决不一致规则中的有效性，并强调语法约束与语义验证的重要性。

Comments 6 pages, 1 figure, 2 tables. Accepted at SEAMS 2026

Journal ref Proc. 21st International Conference on Software Engineering for Adaptive and Self-Managing Systems (SEAMS 2026), ACM, 2026, 6 pages

DriVerse: Navigation World Model for Driving Simulation via Multimodal Trajectory Prompting and Motion Alignment

DriVerse：通过多模态轨迹提示和运动对齐实现驾驶模拟的导航世界模型

Xiaofan Li, Chenming Wu, Zhao Yang, Zhihao Xu, Dingkang Liang, Yumeng Zhang, Ji Wan, Jun Wang

机构 * Baidu Inc.（百度公司） 纠错

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

AI总结 DriVerse通过多模态轨迹提示和运动对齐技术，实现从单张图像和未来轨迹生成导航驱动的驾驶场景，提升了动态对象的生成精度和时间一致性。

Comments 13 pages, 5 figures

Unposed-to-3D: Learning Simulation-Ready Vehicles from Real-World Images

未置姿到3D：从真实世界图像学习仿真准备的车辆

Hongyuan Liu, Bochao Zou, Qiankun Liu, Haochen Yu, Qi Mei, Jianfei Jiang, Chen Liu, Cheng Bi, Zhao Wang, Xueyang Zhang, Yifei Zhan, Jiansheng Chen, Huimin Ma

机构 * University of Science and Technology Beijing（北京科技大学） ； Li Auto Inc（利汽车公司） 纠错

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

AI总结 本文提出Unposed-to-3D框架，通过图像-only监督从真实驾驶图像重建3D车辆，解决现有方法在真实世界分布上的领域差距问题，实现姿态一致且符合仿真的3D模型生成。

Comments Accepted by CVPR 2026

A Survey on Deep Learning Techniques for Action Anticipation

深度学习在动作预测中的技术综述

Zeyun Zhong, Manuel Martin, Michael Voit, Juergen Gall, Jürgen Beyerer

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Fraunhofer IOSB（弗劳恩霍夫光学、系统技术与图像处理研究所） ； University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所） 纠错

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

AI总结 本文综述了深度学习在日常生活中动作预测的最新进展，分类并总结了相关方法，探讨了评估指标和数据集，并提出了未来研究方向。

Comments If any relevant references are missing, please contact the authors for future inclusion

Appearance Decomposition Gaussian Splatting for Multi-Traversal Reconstruction

外观分解高斯点云法用于多遍重建

Yangyi Xiao, Siting Zhu, Baoquan Yang, Tianchen Deng, Yongbo Chen, Hesheng Wang

机构 * Department of Automation, Key Laboratory of System Control and Information Processing of Ministry of Education, State Key Laboratory of Avionics Integration and Aviation System-of-Systems Synthesis, Shanghai Jiao Tong University（上海交通大学自动化系，系统控制与信息处理教育部重点实验室，航空电子集成与航空系统综合国家重点实验室） 纠错

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

AI总结 本文提出ADM-GS框架，通过显式分解静态背景的外观，缓解多遍重建中的外观纠缠问题，采用神经光场和频率分离编码策略提升多遍一致性，实验证明在Argoverse 2和Waymo Open数据集上效果显著。

Multi-Staged Framework for Safety Analysis of Offloaded Services in Distributed Intelligent Transportation Systems

多阶段框架用于分布式智能交通系统中卸载服务的安全分析

Robin Dehler, Oliver Schumann, Jona Ruof, Michael Buchholz

机构 * Institute of Measurement, Control and Microtechnology, Ulm University（乌尔姆大学测量、控制与微技术研究所） ； Federal Ministry of Education and Research（联邦教育与研究部） ； State Ministry of Economic Affairs, Labour and Tourism Baden-Württemberg（巴登-符腾堡州经济、劳动和旅游部） 纠错

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

AI总结 本文提出多阶段框架用于分析分布式智能交通系统中卸载服务的安全性，通过验证远程服务和本地数据的可靠性，降低计算复杂度并提高数据安全性。

Comments 2025 IEEE International Conference on Intelligent Transportation Systems (ITSC)