自动驾驶

From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving

从攻击到课程：面向安全自动驾驶的可学习性引导对抗训练

Yuewen Mei, Tong Nie, Jie Sun, Haotian Shi, Wei Ma, Jian Sun

机构 * College of Transportation & Key Laboratory of Road and Traffic Engineering of Ministry of Education, Tongji University（同济大学交通运输工程学院 & 道路与交通工程教育部重点实验室） ； Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University（香港理工大学土木与环境工程学系） 纠错

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

AI总结 提出AlignADV框架，通过偏好对齐生成可解决场景，并利用行为指纹预测策略能力，动态采样课程以提升自动驾驶对抗训练的收敛效率与安全性。

Where Does the Answer Come From? Benchmarking View-Level Visual Evidence Identification in Multi-View MLLMs for Autonomous Driving

答案从何而来？面向自动驾驶的多视角MLLMs中视角级视觉证据识别基准

Yimu Wang, Yee Man Choi, Barry Zhang, Mozhgan Nasr Azadani, Sean Sedwards, Krzysztof Czarnecki

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 针对多视角自动驾驶场景，提出一个基准测试，评估多模态大模型在视觉问答中识别支持性相机视角的能力，包含122个冲突中心问题对，并区分视角选择与答案正确性。

Learning from Human Driving: A Human-in-the-Loop Online Behavior Cloning Framework for Autonomous Driving

从人类驾驶中学习：一种用于自动驾驶的人机协同在线行为克隆框架

Yuhong Shi, Jianyi Liu, Lihang Sun, Li Li, Xudong Dong

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所人机混合增强智能国家重点实验室） 纠错

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

AI总结 提出人机协同在线行为克隆框架HiL-OBC，通过人类干预初始化策略、贝叶斯潜在行为建模和在线更新，结合大模型感知与人类驾驶智能，在CARLA基准上显著提升驾驶性能。

EvoDrive: Pareto Evolution for Safety-Critical Autonomous Driving via Self-Improving LLM Agents

EvoDrive: 通过自我改进的LLM智能体实现安全关键自动驾驶的帕累托进化

Tong Nie, Yuewen Mei, Yihong Tang, Junlin He, Jie Deng, Jian Sun, Wei Ma

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

AI总结 提出EvoDrive，首个基于LLM的自动化智能体进化框架，通过模拟器接地演员-评论家架构和帕累托存档，在安全关键场景生成中实现对抗性与真实性的多目标优化。

ReasonBreak: Probing Vulnerabilities in Reasoning-Enabled Vision-Language-Action Models for Autonomous Driving

ReasonBreak: 探测自动驾驶中具备推理能力的视觉-语言-行动模型的脆弱性

Mohammadreza Teymoorianfard, Jean-Philippe Monteuuis, Jonathan Petit, Amir Houmansadr

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Qualcomm（高通） 纠错

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

AI总结 本文通过黑盒攻击方法，首次系统研究了具备推理能力的视觉-语言-行动模型在自动驾驶中面对真实输入扰动时的脆弱性，发现其推理和轨迹生成均易受攻击，导致碰撞率上升。

ICR-Drive: Instruction Counterfactual Robustness for End-to-End Language-Driven Autonomous Driving

ICR-Drive：面向端到端语言驱动自动驾驶的指令反事实鲁棒性

Kaiser Hamid, Can Cui, Nade Liang

机构 * Texas Tech University（德克萨斯科技大学） ； Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心（BCAI）） 纠错

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

AI总结 提出ICR-Drive框架，通过生成四类扰动指令（改写、歧义、噪声、误导）并基于CARLA仿真评估，揭示语言条件驾驶模型对指令变化的脆弱性。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 872-880

TPS-Drive: Task-Guided Representation Purification for VLM-based Autonomous Driving

TPS-Drive: 基于VLM的自动驾驶任务引导表示净化

Jiaxiang Li, Yumao Liu, Ke Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

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

AI总结 提出TPS-Drive框架，通过任务引导的表示净化（Agent-Centric Tokenizer）解决VLM在自动驾驶中的空间幻觉和表示干扰问题，实现精确的3D空间预测与安全规划。

Towards Physically Consistent 4D Scene Reconstruction for Closed-loop Autonomous Driving Simulation

迈向物理一致的闭环自动驾驶模拟中的4D场景重建

Bowyn Tan, Yutong Xie, Bai Huang, Fan Luo, Xiao Li, Naizheng Wang, Yang Guan, Shengbo Eben Li

机构 * Tsinghua University（清华大学） ； Meituan（美团） ； Central University of Finance and Economics（中央财经大学） 纠错

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

AI总结 本文提出了一种信息几何诊断框架，解决3DGS方法在同时实现空间和时间参数建模时的信用分配难题，通过引入正交投影梯度（OPG）和时间正则化策略，提升了4D场景重建的物理一致性。

Comments 20 pages, 4 figures

GuardAD: Safeguarding Autonomous Driving MLLMs via Markovian Safety Logic

GuardAD: 通过马尔可夫安全逻辑保障自动驾驶MLLMs

Tianyuan Zhang, Peng Yue, Zihao Peng, Jiangfan Liu, Zonghao Ying, Jiakai Wang, Tianlin Li, Jian Yang, Yaodong Yang, Aishan Liu, Xianglong Liu

机构 * Beihang University（北航大学） ； Zhongguancun Laboratory（中关村实验室） ； Peking University（北京大学） 纠错

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

AI总结 GuardAD通过马尔可夫逻辑形式化提升自动驾驶MLLMs的安全性，减少事故率并提升任务性能，经实验验证其有效性。

Beyond Self-Play and Scale: A Behavior Benchmark for Generalization in Autonomous Driving

超越自我博弈与规模：面向自动驾驶泛化的行为基准

Aron Distelzweig, Faris Janjoš, Andreas Look, Anna Rothenhäusler, Daniel Jost, Oliver Scheel, Raghu Rajan, Daphne Cornelisse, Eugene Vinitsky, Joschka Boedecker

机构 * University of Freiburg（弗赖堡大学） ； Bosch Center for Artificial Intelligence（博世人工智能中心） ； Coburg University of Applied Sciences（科堡应用科学大学） ； New York University（纽约大学） 纠错

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

AI总结 本文提出BehaviorBench，通过评估、复杂性和行为多样性三个维度，解决自动驾驶大规模强化学习政策在标准化评估中的性能问题，并提出混合规划器提升泛化能力。

Judge, Then Drive: A Critic-Centric Vision Language Action Framework for Autonomous Driving

评判，然后驾驶：一种以评判为中心的视觉语言动作框架用于自动驾驶

Lijin Yang, Jianing Huang, Zhongzhan Huang, Shu Liu, Hao Yang

机构 * Bosch Research（博世研究院） 纠错

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

AI总结 本文提出CriticVLA框架，通过多模态评估和单步优化提升自动驾驶决策质量，实验显示其在复杂场景中性能显著优于现有方法。

Comments preprint

Enhanced Deep Q-Learning for 2D Self-Driving Cars: Implementation and Evaluation on a Custom Track Environment

增强型深度Q学习用于2D自动驾驶汽车：在定制赛道环境中的实现与评估

Sagar Pathak, Bidhya Shrestha

机构 * Department of Computer Science, University of Memphis（密苏里大学梅斯分校计算机科学系） 纠错

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

AI总结 本文提出了一种改进的深度Q学习网络用于2D自动驾驶汽车，通过定制环境和DQN模型设计，提升了性能，实验表明改进模型奖励显著高于原始DQN。

Comments 8 pages, 8 figures

Journal ref International Journal of Science and Technology (IJST), 3(2), 24-39 (2026)

From Virtual Environments to Real-World Trials: Emerging Trends in Autonomous Driving

从虚拟环境到现实世界试验：自动驾驶领域新兴趋势

A. Humnabadkar, A. Sikdar, B. Cave, H. Zhang, N. Bessis, A. Behera

机构 * Edge Hill University（埃奇希尔大学） 纠错

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

AI总结 本文综述了自动驾驶、模拟技术和合成数据集的最新发展，探讨了合成数据在感知与规划中的应用、数字孪生模拟系统验证以及领域适应策略，分析了基准设计趋势及关键挑战，旨在推动安全、可推广的自动驾驶系统发展。

Comments Accepted manuscript - Transactions on Intelligent Transportation Systems

Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models

Bench2Drive-VL: 用于基于视觉语言模型的闭环自动驾驶的基准测试

Xiaosong Jia, Yuqian Shao, Zhenjie Yang, Qifeng Li, Zhiyuan Zhang, Junchi Yan

机构 * Shanghai Key Laboratory of Multimodal Embodied AI（上海市多模态具身智能重点实验室） 纠错

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

AI总结 本文提出Bench2Drive-VL，通过闭环评估方法提升视觉语言模型在自动驾驶中的性能，包含DriveCommenter生成多样化问题对、统一协议接口、灵活推理框架及完整开发生态，开源代码和标注数据。

Comments All codes and annotated datasets are available at \url{https://github.com/Thinklab-SJTU/Bench2Drive-VL} and \url{https://huggingface.co/datasets/Telkwevr/Bench2Drive-VL-base}

ScenePilot-4K: A Large-Scale First-Person Dataset and Benchmark for Vision-Language Models in Autonomous Driving

ScenePilot-4K：一个大规模第一视角数据集和基准，用于自动驾驶中视觉-语言模型的安全感知学习与评估

Yujin Wang, Yutong Zheng, Wenxian Fan, Tianyi Wang, Hongqing Chu, Li Zhang, Bingzhao Gao, Daxin Tian, Jianqiang Wang, Hong Chen

机构 * Tongji University（同济大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Fudan University（复旦大学） ； Beihang University（北京航空航天大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出ScenePilot-4K数据集，包含3847小时视频和27.7亿帧图像，用于评估视觉-语言模型在自动驾驶中的场景理解、空间感知、运动规划和语义对齐能力，揭示模型在几何感知和规划推理方面的局限性。

FAR-Drive: Frame-AutoRegressive Video Generation in Closed-Loop Autonomous Driving

FAR-Drive：闭环自动驾驶中的帧自回归视频生成

Yaoru Li, Federico Landi, Marco Godi, Xin Jin, Ruiju Fu, Yufei Ma, Muyang Sun, Heyu Si, Qi Guo

机构 * Zhejiang University（浙江大学） ； Huawei（华为） 纠错

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

AI总结 本文提出FAR-Drive，一种用于自动驾驶的帧级自回归视频生成框架，通过多视角扩散变换器实现几何一致的多摄像机生成，解决闭环模拟中的长时程一致性、自回归退化和低延迟问题。

STADA: Specification-based Testing for Autonomous Driving Agents

STADA：基于规范的自动驾驶代理测试

Joy Saha, Trey Woodlief, Sebastian Elbaum, Matthew B. Dwyer

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

AI总结 STADA是一种基于规范的自动驾驶代理测试生成框架，通过形式规范生成多样化的测试场景，提高测试覆盖率并减少模拟次数。

Comparative Analysis of Patch Attack on VLM-Based Autonomous Driving Architectures

基于VLM的自动驾驶架构中补丁攻击的比较分析

David Fernandez, Pedram MohajerAnsari, Amir Salarpour, Long Cheng, Abolfazl Razi, Mert D. Pesé

机构 * School of Computing, Clemson University（计算机学院，克莱姆森大学） 纠错

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

AI总结 本文比较了三种基于VLM的自动驾驶架构对物理对抗攻击的鲁棒性，发现所有架构均存在严重漏洞，揭示了不同架构在对抗威胁下的脆弱性。

Comments Accepted at the 2025 IEEE Intelligent Vehicles Symposium (IV 2025)

CAPS: Context-Aware Priority Sampling for Enhanced Imitation Learning in Autonomous Driving

CAPS：基于上下文的优先级采样以增强自动驾驶中的模仿学习

Hamidreza Mirkhani, Behzad Khamidehi, Ehsan Ahmadi, Mohammed Elmahgiubi, Weize Zhang, Fazel Arasteh, Umar Rajguru, Kasra Rezaee, Dongfeng Bai

机构 * Noah’s Ark Lab, Huawei Technologies Canada（华为加拿大技术有限公司诺亚实验室） 纠错

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

AI总结 CAPS通过上下文感知优先级采样提升自动驾驶模仿学习的数据效率，通过聚类重新平衡数据集以提高模型泛化能力。

Comments Accepted at IEEE International Conference on Robotics & Automation (ICRA 2026)

From Code to Road: A Vehicle-in-the-Loop and Digital Twin-Based Framework for Central Car Server Testing in Autonomous Driving

从代码到道路：一种基于车辆在环和数字孪生的中央车辆服务器在自动驾驶中的测试框架

Chengdong Wu, Sven Kirchner, Nils Purschke, Axel Torschmied, Norbert Kroth, Yinglei Song, André Schamschurko, Erik Leo Haß, Kuo-Yi Chao, Yi Zhang, Nenad Petrovic, Alois C. Knoll

机构 * Technical University of Munich（慕尼黑技术大学） ； CARIAD SE 纠错

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

AI总结 本文提出了一种基于车辆在环和数字孪生技术的中央车辆服务器测试框架，通过虚拟与物理环境的结合，提高自动驾驶算法验证的效率和准确性。

Comments 8 pages; Accepted for publication at the 37th IEEE Intelligent Vehicles Symposium (IV), Detroit, MI, United States, June 22-25, 2026

Risk-Aware Autonomous Driving with Linear Temporal Logic Specifications

具有线性时序逻辑规范的风险感知自主驾驶

Shuhao Qi, Zengjie Zhang, Zhiyong Sun, Sofie Haesaert

机构 * Department of Electrical Engineering, Eindhoven University of Technology（电子工程系，埃因霍温理工大学） ； College of Engineering, Peking University（工程学院，北京大学） 纠错

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

AI总结 本文提出一种基于线性时序逻辑规范的风险感知自动驾驶方法，通过扩展风险度量方法以涵盖更复杂的驾驶场景，结合线性规划解决控制合成问题，从而平衡碰撞风险和交通违规风险。

When Digital Twins Meet Large Language Models: Realistic, Interactive, and Editable Simulation for Autonomous Driving

当数字孪生遇见大语言模型：用于自动驾驶的逼真、交互和可编辑的模拟

Tanmay Vilas Samak, Chinmay Vilas Samak, Bing Li, Venkat Krovi

机构 * Department of Automotive Engineering, Clemson University International Center for Automotive Research (CU-ICAR)（汽车工程系，克莱姆森大学国际汽车研究中心（CU-ICAR）） 纠错

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

AI总结 本文提出结合数字孪生与大语言模型的框架，实现自动驾驶场景的逼真、交互和可编辑模拟，提升自动驾驶研究的效率和真实性。

Comments Accepted in IEEE Robotics & Automation Magazine (RAM)

From Conflicts to Collisions: A Two-Stage Collision Scenario-Testing Approach for Autonomous Driving Systems

从冲突到碰撞：一种两阶段碰撞场景测试方法用于自动驾驶系统

Siyuan Chen, Fuyuan Zhang, Hua Qi, Lei Ma, Tomoyuki Tsuchiya, Michio Hayashi, Manabu Okada

机构 * The University of Tokyo（东京大学） ； Zhejiang University（浙江大学） ； Kyushu University（九州大学） ； University of Alberta（阿尔伯塔大学） ； TIER IV ； TIER IV North America（TIER IV北美） 纠错

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

AI总结 本文提出一种两阶段碰撞场景测试方法，通过搜索冲突并突变以诱导碰撞，提升自动驾驶系统安全评估的效率和效果。

Nighttime Autonomous Driving Scene Reconstruction with Physically-Based Gaussian Splatting

夜间自动驾驶场景重建与基于物理的高斯点云

Tae-Kyeong Kim, Xingxin Chen, Guile Wu, Chengjie Huang, Dongfeng Bai, Bingbing Liu

机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） 纠错

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

AI总结 本文提出基于物理的高斯点云方法，提升自动驾驶夜间场景重建质量，实现实时渲染并优于现有方法。

Comments ICRA 2026

The Constant Eye: Benchmarking and Bridging Appearance Robustness in Autonomous Driving

恒定的眼睛：自动驾驶中外观鲁棒性的基准测试与弥合

Jiabao Wang, Hongyu Zhou, Yuanbo Yang, Jiahao Shao, Yiyi Liao

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

AI总结 本文提出navdream基准测试，通过生成像素对齐的风格迁移，评估自动驾驶算法在极端天气等外观变化下的鲁棒性，并提出通用感知接口实现零样本泛化。

Analyzing the Impact of Simulation Fidelity on the Evaluation of Autonomous Driving Motion Control

分析仿真保真度对自动驾驶运动控制评估的影响

Simon Sagmeister, Panagiotis Kounatidis, Sven Goblirsch, Markus Lienkamp

机构 * Technical University of Munich（慕尼黑技术大学） ； School of Engineering & Design（工程与设计学院） ； Department of Mobility Systems Engineering（移动系统工程系） ； Institute of Automotive Technology（汽车技术研究所） 纠错

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

AI总结 本文研究了仿真保真度对自动驾驶运动控制评估的影响，通过不同保真的车辆模型仿真，分析了控制算法在不同应用中的可简化程度。

Comments Accepted for publication at the IEEE IV 2024

Unified Sensor Simulation for Autonomous Driving

面向自动驾驶的统一传感器仿真

Nikolay Patakin, Arsenii Shirokov, Anton Konushin, Dmitry Senushkin

机构 * Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学） 纠错

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

AI总结 本文提出XSIM框架，通过改进的3DGUT点绘和相位建模机制，实现更精确的自动驾驶传感器仿真，提升场景表示的一致性和逼真度。

Towards a Self-Driving Trigger at the LHC: Adaptive Response in Real Time

迈向LHC的自驱动触发：实时适应性响应

Shaghayegh Emami, Cecilia Tosciri, Giovanna Salvi, Zixin Ding, Yuxin Chen, Abhijith Gandrakota, Christian Herwig, David W. Miller, Jennifer Ngadiuba, Nhan Tran

机构 * University of Michigan（密歇根大学） ； Enrico Fermi Institute（恩里科·费米研究所） ； University of Chicago（芝加哥大学） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Department of Physics, Kavli Institute for Cosmological Physics（物理系，宇宙学物理研究所） 纠错

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

AI总结 本文提出了一种自驱动触发系统，通过实时动态调整资源和阈值，利用机器学习优化高能物理实验中的触发性能，提升信号效率和计算效率。

Learning Safe Autonomous Driving Policies Using Predictive Safety Representations

利用预测安全表示学习安全的自动驾驶策略

Mahesh Keswani, Raunak Bhattacharyya

机构 * Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（雅迪人工智能学院，印度理工学院德里） 纠错

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

AI总结 本文提出利用预测安全表示改进自动驾驶策略学习，通过实验验证了其在提升安全性和效率方面的有效性。

Comments 8 pages, 4 figures

Advancing Autonomous Driving System Testing: Demands, Challenges, and Future Directions

推进自动驾驶系统测试：需求、挑战与未来方向

Yihan Liao, Jingyu Zhang, Jacky Keung, Yan Xiao, Yurou Dai

机构 * City University of Hong Kong（香港城市大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Lehigh University（莱斯大学） 纠错

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

AI总结 本研究探讨了自动驾驶系统测试的需求与挑战，指出现有测试技术在现实性能评估中的不足，并提出了未来研究方向，包括系统化测试标准、跨模型协作及可扩展验证框架。

Comments Accepted for publication in Information and Software Technology (IST)