The University of Hong Kong（香港大学）

Accelerating Large-scale Bundle Adjustment for LiDAR Mapping via Parallel Computing

基于并行计算加速激光雷达建图的大规模光束平差法

Yixi Cai, Rundong Li, Yuhan Xie, Qingwen Zhang, Patric Jensfelt, Fu Zhang

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； the University of Hong Kong（香港大学） 纠错

AI总结 该研究提出首个全并行计算框架，结合三项关键技术加速激光雷达建图的大规模光束平差法，经多平台公开数据集测试，效率最高提升10倍且精度相当，代码已开源。

Comments Accepted by IEEE International Conference on Automation Science and Engineering (CASE), 2026

Attributing Preprocessing Invariance in Spectral Foundation Models

归因于光谱基础模型中的预处理不变性

Dongjun Wei, Hongyi Wu, Yinuo Zou

机构 * ESCP Business School（ESCP商学院） ； OpluxCare Co., Ltd.（欧普乐康护理有限公司） ； The University of Hong Kong（香港大学） ； Nanjing University（南京大学） 纠错

AI总结 该研究以拉曼光谱基础模型为例，指出其声称的预处理不变性多源于归一化而非学习，多数系统的归一化已消除相关变换，训练编码器未带来显著增益。

Traj-LeWM: Path-Aware World-Model Planning via Latent Trajectory Cost

Traj-LeWM：通过潜在轨迹代价实现路径感知的世界模型规划

Xiaodi Huang, Ziyi Ding, Jingtian Wan, Yuchen Liu, Yuan Zhang, Xiao-Ping Zhang, Jiayu Chen, Zhang Zhang, Tao Huang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； The University of Hong Kong（香港大学） ； INFIFORCE ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） 纠错

AI总结 本文针对LeWM的局限提出Traj-LeWM，通过引入潜在轨迹代价结合终点距离的联合评分，在多个机器人与导航任务上实现性能提升，验证了轨迹级信息的互补作用。

PlayWorld: Benchmarking World Models with Agent Players over Long-Horizon Objectives

PlayWorld：基于智能体玩家的长程目标世界模型基准测试

Kaixin Ding, Xi Chen, Minghong Cai, Zhiyuan Xu, Yiyang Wang, Yuxiang Lu, Junyi Li, Shuyang Chen, Yuan Gao, Xin Tao, Pengfei Wan, Hengshuang Zhao

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Zhejiang University（浙江大学） ； Kuaishou Technology（快手科技） 纠错

AI总结 该研究针对现有世界模型跨模型公平比较的难题，推出含171个场景的PlayWorld基准，通过多模态智能体玩家从多维度评估9种先进世界模型，发现其长程交互式目标表现仍不可靠。

Comments project page: https://kxding.github.io/project/PlayWorld/

Making AI-Generated Feedback Matter: A Large-Scale Study of Feedback Workflows and Student Enactment

让AI生成的反馈发挥作用：从提供到学生执行

Omar Alsaiari, Nilufar Baghaei, Jason M. Lodge, Dragan Gaševi'c, Naomi Winstone, Hassan Khosravi

机构 * The University of Queensland（昆士兰大学） ； University of Surrey（萨里大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 该研究通过13037名学生的大规模准实验，发现主动构建的AI反馈执行工作流可显著提升学生对AI反馈的接受度、自我评估信心及作品质量，强调需设计针对性AI反馈工作流。

Cross-Calibrated Confidence Fields for Local Risk Updates

论局部总体风险证书

Mingzhi Song

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系） 纠错

AI总结 本文提出局部总体风险增量证书，用于在模型更新时提供风险控制，通过双边置信带判断更新是否接受。

Comments 68 pages