Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting
专题命中 BEV与占用 ：occupancy(title,abstract)；self-driving(abstract)；分类 cs.RO、cs.CV
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. BEV与占用 3760 篇
Learning to Localize Using a LiDAR Intensity Map
专题命中 BEV与占用 ：LiDAR(title,abstract)；self-driving(abstract)；分类 cs.RO、cs.CV
Comments 12 pages, 7 figures, 5 tables; Presented at the 2nd Conference on Robot Learning (CoRL), 2018
Journal ref Proceedings of The 2nd Conference on Robot Learning, PMLR 87:605-616, 2018
Goal-Directed Occupancy Prediction for Lane-Following Actors
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.CV
Comments Published at ICRA 2020
CMRNet++: Map and Camera Agnostic Monocular Visual Localization in LiDAR Maps
专题命中 BEV与占用 ：LiDAR(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.CV
Comments Spotlight talk at IEEE ICRA 2020 Workshop on Emerging Learning and Algorithmic Methods for Data Association in Robotics
Occ-Traj120: Occupancy Maps with Associated Trajectories
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.AI
Exploiting Sparse Semantic HD Maps for Self-Driving Vehicle Localization
专题命中 BEV与占用 ：self-driving(title,abstract)；LiDAR(abstract)；分类 cs.RO、cs.CV
Comments 8 pages, 4 figures, 4 tables, 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2019)
OccTransformer: Improving BEVFormer for 3D camera-only occupancy prediction
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
Comments Innovation Award in the 3D Occupancy Prediction Challenge (CVPR23)
RadarGen: Automotive Radar Point Cloud Generation from Cameras
RadarGen：从摄像头生成汽车雷达点云
机构 * Technion（技术学院） ； MIT（麻省理工学院） ； NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 BEV与占用 ：BEV(summary_cn,abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 RadarGen通过扩散模型从摄像头图像生成逼真的雷达点云，结合BEV对齐的深度、语义和运动线索，提升雷达生成的物理合理性与多模态模拟能力。
Comments ECCV 2026. Project page: https://radargen.github.io/
BEVLM: Distilling Semantic Knowledge from LLMs into Bird's-Eye View Representations
BEVLM：将语言模型中的语义知识提炼到鸟瞰视图表示中
机构 * Mercedes-Benz Research & Development North America（梅赛德斯-奔驰研发北美研究所） ； University of California, Irvine（加州大学伊尔弗分校）
专题命中 BEV与占用 ：BEV(abstract,abstract_cn)；autonomous driving(abstract)；end-to-end driving(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 研究将大语言模型集成到自动驾驶，针对现有方法冗余计算、空间一致性受限等问题，提出BEVLM框架，连接鸟瞰视图表示与大语言模型，能有效提升跨视图驾驶场景推理准确性及端到端驾驶性能。
Comments Accepted to the 2026 European Conference on Computer Vision (ECCV 2026)
HRDX: A Large-Scale Vector HD-Map Dataset
HRDX：大规模矢量高清地图数据集
机构 * Honda Research Institute US（本田美国研究院）
专题命中 BEV与占用 ：BEV(abstract,abstract_cn)；autonomous driving(abstract)；LiDAR(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出HRDX大规模矢量高清地图数据集，覆盖1400公里驾驶数据，含10类地图元素和20多种属性，并引入复合评分评估几何与属性准确性。
Comments https://usa.honda-ri.com/hrdx
OccDirector: Language-Guided Behavior and Interaction Generation in 4D Occupancy Space
OccDirector：基于语言的4D占用空间中行为与交互生成
机构 * SKL-IOTSC, CIS, University of Macau, Macau, China（SKL-IOTSC、CIS、澳门大学、澳门、中国） ； Li Auto Inc, Beijing, China（Li Auto Inc、北京、中国）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出OccDirector框架，通过自然语言生成4D占用空间动态，解决复杂多代理交互生成问题，引入多级语言指令数据集和评估基准，实现语言驱动的行为编排。
GaussianSeed: Hierarchical Gaussian Seeding for High-Resolution 3D Occupancy Prediction
高斯种子：用于高分辨率3D占用预测的分层高斯播种
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 针对现有3D占用预测方法难以扩展到高体素分辨率的问题，提出高斯种子框架，通过分层设计规避内存瓶颈，构建TJScenes数据集，实验表明该方法在保持高精度的同时具有最低延迟，推动了高分辨率3D占用预测的效率-质量前沿。
GPOcc++: Unified Sparse Gaussian Occupancy Prediction with Visual Geometry Priors
GPOcc++：具有视觉几何先验的统一稀疏高斯占用预测
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 研究针对3D场景理解中从视觉观察恢复完整体积表示的挑战，提出GPOcc++，它基于视觉几何先验，将其转换为占用感知的稀疏高斯表示，能在统一框架中处理多视图观察和时间序列，扩展到室外，实验证明其性能强、效率高且泛化能力好。
Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation
可变形高斯占据：通过分解蒸馏解耦刚性与非刚性运动
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 提出DeGO框架，通过解耦高斯变形和分解式4D基础模型蒸馏，在弱监督下实现动态场景中刚性与非刚性运动的分离，显著提升人体实例占据预测性能。
Comments CVPR 2026
Learning A Unified Risk Map for Autonomous Driving in Partially Observable Environments
在部分可观察环境中学习统一的风险图
机构 * Fudan University（复旦大学） ； Tongji University（同济大学）
专题命中 BEV与占用 ：autonomous driving(title,abstract)；分类 cs.RO
AI总结 本文提出了一种统一的风险图建模与学习框架，用于部分可观察环境中的自动驾驶，通过时空建模整合交通流风险和碰撞风险，以更精细地评估遮挡引起的危险，并引入扩散基场景生成框架来解决遮挡交互场景稀缺的问题，实验表明该方法在Waymo Open Motion Dataset上显著优于现有方法。
Comments Published in IEEE Robotics and Automation Letters
WeatherOcc3D: VLM-Assisted Adverse Weather Aware 3D Semantic Occupancy Prediction
WeatherOcc3D: 借助VLM的恶劣天气感知3D语义占用预测
机构 * Department of Artificial Intelligence（人工智能系） ； Data Engineering Ozyegin University Istanbul, Türkiye（数据工程奥祖根大学伊斯坦布尔，土耳其）
专题命中 BEV与占用 ：occupancy(title,abstract)；LiDAR(abstract)；分类 cs.CV
AI总结 本文提出一种借助预训练CLIP隐空间的框架，通过语言环境线索指导多传感器融合，解决恶劣天气下传感器可靠性问题，提升3D语义占用预测的鲁棒性。
SOCC-ICP: Semantics-Assisted Odometry based on Occupancy Grids and ICP
SOCC-ICP：基于占用网格和ICP的语义辅助里程计
机构 * Fraunhofer IVI（弗劳恩霍夫研究所） ； Technische Hochschule Ingolstadt（图林根应用技术大学） ； Ancud IT-Beratung GmbH（安库德IT咨询公司）
专题命中 BEV与占用 ：occupancy(title,abstract)；LiDAR(abstract)；分类 cs.RO
AI总结 本文提出SOCC-ICP框架，结合语义占用网格映射与激光雷达扫描对齐，通过几何与语义统计实现自适应ICP，提升在未知环境中的姿态估计性能。
Comments 9 pages, 3 figures, Accepted May 2026 for publication in IEEE Robotics and Automation Letters (RA-L)
SUG-Occ: Explicit Semantics and Uncertainty Guided Sparse Learning for Efficient 3D Occupancy Prediction
SUG-Occ：显式语义和不确定性引导的稀疏学习用于高效的3D占用预测
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）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出SUGOcc框架，通过显式语义和不确定性引导稀疏学习，实现高效3D占用预测，结合稀疏表示和轻量级解码器提升精度与效率。
BEVMAPMATCH: Multimodal BEV Neural Map Matching for Robust Re-Localization of Autonomous Vehicles
BEVMapMatch：多模态鸟瞰神经地图匹配用于自动驾驶车辆的鲁棒重定位
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 BEV与占用 ：BEV(title,abstract)；LiDAR(abstract)；分类 cs.CV
AI总结 本文提出BEVMapMatch框架，利用多模态传感器融合生成鸟瞰图分割，通过交叉注意力机制检索地图片段，实现无需GNSS的鲁棒重定位，实验表明其在GNSS受限环境下的召回率显著提升。
Comments 8 pages, 5 figures
Reconstruction Matters: Learning Geometry-Aligned BEV Representation through 3D Gaussian Splatting
重建至关重要：通过3D高斯点云学习几何对齐的鸟瞰图表示
机构 * Bosch Research North America \& Bosch Center for Artificial Intelligence (BCAI) Case Western Reserve University Washington University in St. Louis
专题命中 BEV与占用 ：BEV(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出Splat2BEV框架，通过3D高斯点云生成几何对齐的鸟瞰图特征，提升自动驾驶中的感知性能。
Comments Project page at https://vulab-ai.github.io/Splat2BEV/
SuperOcc: Toward Cohesive Temporal Modeling for Superquadric-based 3D Occupancy Prediction
SuperOcc：迈向基于超二次曲面的3D占用预测的连贯时间建模
机构 * School of Control Science and Engineering, Dalian University of Technology, Dalian 116024, China（大连理工大学控制科学与工程学院，大连 116024，中国） ； Dalian Rail Transmit Intelligent Control and Intelligent Operation Technology Innovation Center, Dalian 116024, China（大连铁路传输智能控制与智能运维技术创新中心，大连 116024，中国） ； Dalian Seasky Automation Co., Ltd, Dalian 116024, China（大连海 sky 自动化有限公司，大连 116024，中国）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出SuperOcc框架，通过连贯时间建模、多超二次曲面解码策略和高效超二次曲面到体素散射方案，解决3D占用预测中时间建模不足、稀疏性与几何表达性平衡及效率低的问题。
Comments This work has been submitted to the IEEE for possible publication
Test-Time 3D Occupancy Prediction
测试时3D占用预测
机构 * UQMM Lab, The University of Queensland（昆士兰大学UQMM实验室） ； Harbin Institute of Technology（哈尔滨工程大学）
专题命中 BEV与占用 ：occupancy(title,abstract)；LiDAR(abstract)；分类 cs.CV
AI总结 本文提出TT-Occ框架，通过实时集成视觉基础模型，实现灵活的3D高斯表示和占用预测，适用于不同体素分辨率和新类别识别。
Comments CVPR 2026
4DRC-OCC: Robust Semantic Occupancy Prediction Through Fusion of 4D Radar and Camera
4DRC-OCC: 通过融合4D雷达和相机实现鲁棒的语义占用预测
机构 * Cognitive Robotics\ University of Technology
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 4DRC-OCC通过融合4D雷达和相机数据，提升恶劣环境下3D语义占用预测的鲁棒性与准确性。
RESAR-BEV: An Explainable Progressive Residual Autoregressive Approach for Camera-Radar Fusion in BEV Segmentation
RESAR-BEV：一种可解释的逐步残差自回归方法用于摄像头-雷达融合的鸟瞰图分割
机构 * College of Computer Science, Chongqing University（重庆大学计算机学院） ； Department of Computer Science, Maharishi University of Management（Maharishi大学管理学院计算机系）
专题命中 BEV与占用 ：BEV(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 RESAR-BEV通过残差自回归学习和双路径特征编码，实现摄像头-雷达融合的鸟瞰图分割，取得7类驾驶场景54.0% mIoU的最优性能并保持实时处理能力。
Comments This work was submitted to IEEE Transactions on Intelligent Transportation Systems (T-ITS) on 09-May-2025; revised 5 October 2025 and 26 January 2026; accepted 1 March 2026
SABER: Spatially Consistent 3D Universal Adversarial Objects for BEV Detectors
SABER: 用于鸟瞰检测器的时空一致的3D通用对抗对象
机构 * School of Electronics and Information, Northwestern Polytechnical University & Shaanxi Key Laboratory of Information Acquisition and Processing, Xi’an, China（电子工程学院，西北工业大学 & 陕西省信息采集与处理重点实验室，西安，中国） ； School of Computing, Australian National University（计算学院，澳大利亚国立大学）
专题命中 BEV与占用 ：BEV(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 SABER提出了一种生成通用、非侵入式且3D一致的对抗对象的方法，以揭示BEV 3D目标检测器的漏洞，并提供评估自动驾驶系统鲁棒性的实用流程。
Comments Accepted to CVPR 2026
SelfOccFlow: Towards end-to-end self-supervised 3D Occupancy Flow prediction
SelfOccFlow：迈向端到端自监督3D占用流预测
机构 * Onboard Fusion team at CARIAD SE, Volkswagen Group（CARIAD SE 车辆集团 onboard 融合团队） ； Dahlem Center for Machine Learning and Robotics group at Freie Universität Berlin（柏林自由大学 Dahlem 机器学习与机器人学小组）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 SelfOccFlow提出了一种端到端自监督方法，通过分解场景为静态和动态符号距离场并利用特征余弦相似性，实现无需人工标注的3D占用流估计。
Comments Accepted version. Final version is published in IEEE Robotics and Automation Letters, DOI: 10.1109/LRA.2026.3665447
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4331-4338, 2026
Equivalence and Divergence of Bayesian Log-Odds and Dempster's Combination Rule for 2D Occupancy Grids
贝叶斯对数几率与德普斯特组合规则在二维占用网格中的等价性与分歧
机构 * Constructor University（Constructor大学） ； JetBrains LTD（JetBrains公司）
专题命中 BEV与占用 ：occupancy(title,abstract)；LiDAR(abstract)；分类 cs.RO
AI总结 本文提出了一种基于猪性转换的方法，用于比较贝叶斯对数几率与德普斯特组合规则在二维占用网格映射中的表现，证明贝叶斯融合在多数情况下表现更优。
Comments 29 pages, 6 figures, 6 tables. Includes complete proofs, ablation studies, and supplementary statistical analysis
Improved Single Camera BEV Perception Using Multi-Camera Training
改进的单相机BEV感知使用多相机训练
机构 * University of Wuppertal（乌尔姆大学） ； APTIV（APTIV公司）
专题命中 BEV与占用 ：BEV(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出了一种改进的单相机BEV感知方法，通过多相机训练减少性能下降，提升地图质量。
Comments This Paper has been accepted to the 27th IEEE International Conference on Intelligent Transportation Systems (ITSC 2024)
HiMAP: History-aware Map-occupancy Prediction with Fallback
HiMAP: 基于历史的无跟踪地图占用预测与回退
机构 * Institute of Cartography and Geoinformatics, Leibniz University Hannover（莱比锡大学汉诺威分校制图与地理信息学研究所） ； Institute of Information Processing, Leibniz University Hannover（莱比锡大学汉诺威分校信息处理研究所） ； Faculty of Geo-Information Science and Earth Observation, University of Twente（埃因霍温大学地球信息科学与地球观测系）
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 HiMAP通过无需跟踪的轨迹预测框架，在MOT失败时提供可靠预测，实现无ID的高精度未来轨迹生成。
Comments Accepted in 2026 IEEE International Conference on Robotics and Automation
Rebenchmarking Unsupervised Monocular 3D Occupancy Prediction
重新基准测试无监督单目3D占用预测
专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.CV
AI总结 本文提出重新基准测试无监督单目3D占用预测，通过改进评估协议和引入遮挡感知极化机制，提升遮挡区域的预测性能。
