Occupancy Grids: A Stochastic Spatial Representation for Active Robot Perception
专题命中 感知 ：occupancy(title,abstract)；分类 cs.RO、cs.AI
Comments Appears in Proceedings of the Sixth Conference on Uncertainty in Artificial Intelligence (UAI1990)
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. 感知 6068 篇
Super LiDAR Intensity for Robotic Perception
超声波雷达强度用于机器人感知
机构 * State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC)（物联网智能城市国家重点实验室） ； Faculty of Science and Technology（科技学院） ； University of Macau（澳门大学） ； School of Computing and Information Systems（计算与信息学院） ； Singapore Management University（新加坡管理大学） ； Department of Naval Architecture and Marine Engineering and Department of Robotics（船舶工程与海洋工程系和机器人系） ； University of Michigan（密歇根大学） ； Department of Robotics（机器人系） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·拉希德智能人工智能大学）
专题命中 感知 ：LiDAR(title,abstract)；分类 cs.RO
AI总结 本文提出了一种基于非重复扫描LiDAR的密集强度图像生成方法，以提升低成本LiDAR在机器人感知中的应用。
Comments IEEE Robotics and Automation Letters (RA-L), 2026 (https://ieeexplore.ieee.org/document/11395610). The dataset and code are available at: (https://github.com/IMRL/Super-LiDAR-Intensity)
Camera-Only 3D Panoptic Scene Completion for Autonomous Driving through Differentiable Object Shapes
机构 * KU Leuven（库勒万大学） ； TRACE vzw（TRACE公司） ； ETH Zürich（苏黎世联邦理工学院） ； INSAIT（INSAIT研究所）
专题命中 感知 ：autonomous driving(title,comments)；occupancy(abstract)；分类 cs.CV
Comments Accepted to CVPR 2025 Workshop on Autonomous Driving
TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection
专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV
Comments Source code: https://github.com/martin-bayon/TEDNet
Journal ref M Bayón-Gutiérrez, MT García-Ordás, H Alaiz Moretón, J Aveleira-Mata, S Rubio-Martín, JA Benítez-Andrades. TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection. Logic Journal of the IGPL. 2024
DynStatF: An Efficient Feature Fusion Strategy for LiDAR 3D Object Detection
专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV；autonomous driving(comments)
Comments Accepted to CVPR2023 Workshop on End-to-End Autonomous Driving
Self-Driving like a Human driver instead of a Robocar: Personalized comfortable driving experience for autonomous vehicles
专题命中 感知 ：self-driving(title,abstract)；分类 cs.RO；autonomous driving(comments)
Comments 8 pages, 9 figures, NeurIPS 2019 Workshop: Machine Learning for Autonomous Driving (ML4AD)
Reconstruct from BEV: A 3D Lane Detection Approach based on Geometry Structure Prior
专题命中 感知 ：BEV(title,abstract)；分类 cs.CV；autonomous driving(comments)
Comments Proceedings of the CVPR 2022 Workshop of Autonomous Driving
LidarMultiNet: Unifying LiDAR Semantic Segmentation, 3D Object Detection, and Panoptic Segmentation in a Single Multi-task Network
专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV；autonomous driving(comments)
Comments Official 1st Place Solution for the Waymo Open Dataset Challenges 2022 - 3D Semantic Segmentation. Official leaderboard: https://waymo.com/open/challenges/2022/3d-semantic-segmentation/. CVPR 2022 Workshop on Autonomous Driving: http://cvpr2022.wad.vision/
Proposal-free Lidar Panoptic Segmentation with Pillar-level Affinity
专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV；autonomous driving(comments)
Comments CVPRW 2022 Workshop on Autonomous Driving
PseudoProp: Robust Pseudo-Label Generation for Semi-Supervised Object Detection in Autonomous Driving Systems
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
Comments Accepted by the Workshop on Autonomous Driving (WAD) at CVPR 2022
CFENet: An Accurate and Efficient Single-Shot Object Detector for Autonomous Driving
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
Comments 5 pages, 4 figures, CVPR2018, Workshop of Autonomous Driving (WAD)
CleverDistiller: Simple and Spatially Consistent Cross-modal Distillation
CleverDistiller: 简单且空间一致的跨模态知识蒸馏
专题命中 感知 ：autonomous driving(abstract)；LiDAR(abstract)；occupancy(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 CleverDistiller通过简单有效的跨模态知识蒸馏方法，在自动驾驶任务中实现语义分割和3D目标检测的高性能表现。
Comments Accepted to BMVC 2025
Object criticality for safer navigation
专题命中 感知 ：autonomous driving(abstract)；LiDAR(abstract)；trajectory planning(abstract)；分类 cs.RO、cs.CV、cs.AI
Comments position paper with initial results
Vision Foundation Model Driven Foreground-Aware Pseudo-LiDAR Generation for Monocular 3D Object Detection
视觉基础模型驱动的面向前景感知的伪激光雷达生成方法用于单目3D目标检测
专题命中 感知 ：LiDAR(title,abstract)；分类 cs.CV
AI总结 本文提出VFMM3D框架，利用DAM和SAM的先验生成前景感知伪激光雷达，在KITTI、Waymo数据集上实现最优性能，可无缝集成至多种激光雷达3D目标检测器。
Comments 12 pages, 4 figures
Mask What Matters: Saliency-Guided Video Self-Supervised Learning for Autonomous Driving
屏蔽关键内容：面向自动驾驶的显著性引导视频自监督学习
机构 * Robert Bosch GmbH（罗伯特·博世有限公司） ； University of Freiburg（弗赖堡大学）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 针对现有视频自监督学习随机掩码削弱自动驾驶安全关键线索的问题，提出 V-JEPA4A 模型，采用显著性驱动掩码策略，在四个驾驶基准上取得优于 V-JEPA 的性能，仅增加少量预训练开销。
Comments Accepted at GCPR 2026. The final publication will be available through Springer
AdROD: HyperNetwork-based Adversarially Robust Object Detection for Autonomous Driving
AdROD：面向自动驾驶的基于超网络的对抗鲁棒目标检测
机构 * Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 AdROD是面向自动驾驶的嵌入式随机集成防御软件，采用低秩超网络与功能多样性机制，设两种服务模式，经多类评估优于基线防御，可在对抗场景下保持实时安全停车。
DriveVLA-M0: Failure-Aware Memory Augmentation for Autonomous Driving
DriveVLA-M0：面向自动驾驶的故障感知记忆增强方法
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Chongqing Chang’an Technology Co., Ltd.（重庆长安科技有限公司）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 本文提出DriveVLA-M0，一种具备故障感知潜在记忆的检索增强型VLA模型，通过故障案例记忆与针对性修正机制，在NAVSIM基准上优于现有方法，实现自动驾驶性能提升。
Threat-guided Policy-aware Scene Perturbation for Safe Autonomous Driving with Online Reinforcement Learning
用于在线强化学习安全自动驾驶的威胁引导、策略感知场景扰动
机构 * Yinwang Intelligent Technology Co., Ltd（银网智能科技有限公司）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.AI
AI总结 本文提出TPSP方法，通过策略感知场景编码器与威胁引导优化策略，提升在线RL安全自动驾驶的学习效率，在NAVSIM v2数据集上用约400万公里模拟数据实现出色安全性能。
Comments 11pages, 5figures
Easy3D-Labels: Supervising Semantic Occupancy Estimation with 3D Pseudo-Labels for Automotive Perception
Easy3D-Labels: 通过3D伪标签监督语义占用估计用于汽车感知
机构 * Department of Electronic and Computer Engineering, University of Limerick（利默里克大学电子与计算机工程系） ； Data Driven Computer Engineering Research Centre, University of Limerick（利默里克大学数据驱动计算机工程研究中心） ； SFI CRT Foundations in Data Science, University of Limerick（爱尔兰科学基金会数据科学基础研究中心，利默里克大学）
专题命中 感知 ：occupancy(title,abstract)；分类 cs.CV
AI总结 本文提出Easy3D-Labels，利用Grounded-SAM和Metric3Dv2生成3D伪标签，提升汽车感知中语义占用估计的性能，实现mIoU和RayIoU显著提升。
Comments Accepted at IEEE OJVT
DH-VLM: Dual-Horizon Cooperative Latent Reasoning for Autonomous Driving
DH-VLM：面向自动驾驶的双时域协同隐层推理框架
机构 * Tsinghua University（清华大学）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.RO
AI总结 本文提出DH-VLM双时域协同隐层推理框架，结合基础设施与自车实现非对称语义协同，构建协同QA数据集支撑推理，在规划性能、通信成本等指标上优于现有方法，为协同自动驾驶提供实用鲁棒范式。
Autonomous Driving with Priority-Ordered STL Specifications Under Multimodal Uncertainty
多模态不确定性下基于优先级排序STL规范的自动驾驶
机构 * Eindhoven University of Technology（埃因霍温理工大学）
专题命中 感知 ：autonomous driving(title)；trajectory planning(abstract)；分类 cs.RO
AI总结 提出一种不确定性感知的轨迹规划框架，通过信号时序逻辑的词典序优先级处理冲突目标，并结合模型预测路径积分控制实现，在仿真中验证了有效性。
Risk Occupancy: A New and Efficient Paradigm through Vehicle-Road-Cloud Collaboration
风险占用：一种通过车路云协同实现的新型高效范式
专题命中 感知 ：occupancy(title,abstract)；分类 cs.RO
AI总结 该研究提出车路云协同下的四维风险占用感知范式，其效率优于3D-Occ，在初始制动速度8m/s时提升安全冗余、降低减速度，为智能网联汽车提供紧凑可解释的风险表示。
Comments 11 pages,10 figures
WorkDrive: Roadwork Chain of Causation for Autonomous Driving
WorkDrive：自动驾驶的道路施工因果链
机构 * Peking University（北京大学） ； Xiaomi EV（小米电动汽车）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 针对自动驾驶视觉语言模型在道路施工区域的难题，提出WorkDrive框架，通过自动化多任务感知管道提取场景事实，经监督微调与强化学习，在ROADWork数据集上降低轨迹平均位移误差，实现渐进改进。
Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective
从车道感知角度评估自动驾驶对环境错觉的鲁棒性：基准测试
机构 * SKLCCSE, the School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院软件安全技术与工程北京市重点实验室） ； the School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络空间科学与技术学院） ； Henan University of Science and Technology（河南科技大学） ； the School of Computing, National University of Singapore（新加坡国立大学计算学院） ； College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 研究自动驾驶对环境错觉的鲁棒性，聚焦传统车道检测和视觉语言模型系统。引入基准LanEvil++并评估，发现错觉严重影响性能，阴影干扰最大。提出多模态错觉防御方法MIDA，有效提升了模型在挑战性条件下的鲁棒性。
Comments Accepted by IEEE TPAMI 2026
Road-Aware Anomaly Segmentation with Query-Guided Polygons and CLIP in Autonomous Driving
自动驾驶中基于查询引导多边形和CLIP的道路感知异常分割
机构 * Institute of Innovative Mobility (IIMo), Technical University Ingolstadt of Applied Sciences（创新移动性研究所（IIMo），英戈尔施塔特应用技术大学） ； Fraunhofer Institute for Transportation and Infrastructure Systems IVI（弗劳恩霍夫交通与基础设施系统研究所IVI）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 研究自动驾驶中传统语义分割模型应对未知物体能力不足问题，提出轻量级无需再训练等的道路感知异常分割框架，利用查询级掩码置信等并引入CLIP模块，提升异常预测性能。
Comments Accepted to IEEE IV26. Code is available at https://github.com/chrisyan/RAAS
Towards Robust Driving Perception: A Flexible Scale-Driven Family for Self-Supervised Monocular Depth Estimation
迈向鲁棒的驾驶感知：用于自监督单目深度估计的灵活尺度驱动系列
机构 * Hefei University of Technology（合肥工业大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； Chengpin Home Tech（橙品家居科技） ； Differential Robotics（差分机器人）
专题命中 感知 ：driving perception(title,abstract)；分类 cs.CV
AI总结 提出FlexDepth，一种尺度驱动的自监督单目深度估计模型系列，通过两阶段静态-动态解耦训练和尺度驱动解码器，在复杂驾驶场景中实现高精度深度估计，且计算开销低。
Comments Accepted by ECCV2026. Code is available at https://github.com/startnew/flexdepth
Reasoning-aware Speculative Decoding for Efficient Vision-Language-Action Models in Autonomous Driving
面向自动驾驶中高效视觉-语言-动作模型的推理感知推测解码
机构 * Air Force Research Laboratory（空军研究实验室）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 提出推理感知推测解码框架，通过例程推理器处理常规推理、审慎推理器处理异常情况，结合FlatRoPE和AARL技术，将推理步骤运行时间降低约4倍。
Comments 10 pages
GraphPilot: Grounded Scene Graph Conditioning for Language-Based Autonomous Driving
GraphPilot: 基于场景图条件化的语言自主驾驶
机构 * Esslingen University of Applied Sciences（埃斯林根应用科学大学） ； University of Freiburg（弗赖堡大学）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.CV
AI总结 提出GraphPilot方法，通过交通场景图序列化与结构化提示模板，将关系上下文注入语言驾驶模型，显著提升驾驶分数。
Reward-Conditioned Attention: How Reward Design Shapes What Autonomous Driving Agents See
奖励条件注意力：奖励设计如何塑造自动驾驶代理的感知
机构 * National School of Artificial Intelligence (ENSIA)（国家人工智能学院） ； Cosys-Grettia, Univ Gustave Eiffel（古斯塔夫·埃菲尔大学Cosys-Grettia实验室）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.AI
AI总结 研究奖励设计如何影响自动驾驶强化学习代理的内部注意力模式，发现奖励内容直接决定编码器优先关注的场景元素，且连续碰撞时间惩罚会形成学习性警觉先验。
A Stitch in Time Saves Nine: Preserving Policy Compatibility Under Perception Updates in End-to-End Autonomous Driving
小洞不补，大洞吃苦：端到端自动驾驶中感知更新下的策略兼容性保持
机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Key Laboratory of System Control and Information Processing, Ministry of Education of China（教育部系统控制与信息处理重点实验室） ； School of Aeronautics and Astronautics, Shanghai Jiao Tong University（上海交通大学航空航天学院） ； Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学全球未来技术学院）
专题命中 感知 ：autonomous driving(title,abstract)；分类 cs.RO
AI总结 本文提出通过轻量级潜在空间对齐（模型拼接）来保持端到端自动驾驶系统中更新感知模块与固定策略模块的兼容性，避免重训练或架构解耦的高成本，实验证明在多种更新场景下有效。
Comments 12 pages, 9 tables, 5 figures; T-ITS under review
