跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉48

    A Probabilistic Lateral Motion Prediction Model with Improved Response Fidelity for Vehicle-in-the-Loop Simulation

    该研究提出一种概率侧向运动预测模型,结合二自由度车辆物理先验与循环神经网络学习残差修正。通过多步展开训练直接惩罚累积侧向速度误差,并将条件高斯不确定性传播至位置与航向预测。评估显示,相比 Deep Dynamics 基线,其侧向位置均方根误差从 0.596 m 降至 0.483 m(提升 19.0%),侧向速度误差亦显著降低。

11月17日周二
  1. arXiv · 机器人与计算机视觉65

    基于学习的自主过度转向控制与碰撞避免方法

    针对车辆后轮抓地力丧失引发的过度转向问题,本文提出了端到端的自主驾驶方案,引入 QC-SAC 混合学习算法以克服专家示范数据不足及环境突变难题。实验表明该方法在打滑路面随机避障任务中表现优于现有基线,且经硬件在环仿真验证了其在物理执行器上的可行性,为实车安全控制提供了新的技术路径。

  2. arXiv · 机器人与计算机视觉42

    数据驱动预测控制在变摩擦赛车中的应用研究

    该研究在仿真与 Cyber-Physical Mobility Lab 实验中验证,利用跨摩擦条件池化数据可使多步均方根预测误差保持在匹配数据的 1.5 倍以内。闭环追踪结果显示,池化策略在低摩擦轮胎下误差差值为 0.1 cm,高摩擦下为 0.2 cm,实现了无需专用适配方法的变摩擦部分自适应。论文已提交至 2027 年欧洲控制会议(ECC),代码与数据待开放许可。

  3. arXiv · 机器人与计算机视觉78

    考虑载荷不确定性的编队跟随航迹横向控制:串稳定性与自适应前馈

    论文针对无车道线场景(如雪地道路)下的车辆编队行驶问题,提出了一种基于弧长参数化的航迹参考控制框架。研究指出若仅跟随前车会导致误差累积,而结合领航车与前车的航迹可保持误差有界。此外,文章分析了乘客与货物载荷及轮胎刚度变化对曲率前馈系数的影响,并设计了自适应律以在线估计该系数、消除弯道稳态偏移。仿真验证了十一辆车辆编队的控制效果。

    推荐理由:该文提出了一种基于航迹参考的编队横向控制方法,通过自适应前馈补偿载荷不确定性带来的稳态偏差,确保任意长度编队的误差有界。

  4. arXiv · 机器人与计算机视觉53

    通过微调视觉语言动作模型实现合规自动驾驶:引入符号交通规则反馈

    本文提出一种规则引导的 VLA 框架,将英国公路守则的部分条款形式化为可执行的一阶逻辑规则,结合专家演示监督微调和强化学习优化策略。在 CARLA 仿真器离线评估中,该方法相比仅基于监督学习的基线,显著提升了动作预测准确性和编码规则的合规率,最佳变体将整体规则通过率从 92.9% 提升至 97.6%,且在评估样本中未观察到违反路权优先级检查的情况。

11月13日周五
  1. arXiv · 机器人与计算机视觉42

    SunnyParking:多拍轨迹生成与运动状态感知的人机一致泊车算法

    SunnyParking 提出双分支端到端架构,联合预测空间轨迹与离散运动状态序列以解决传统方法在换档点物理不可行问题。该方法引入傅里叶特征表示目标车位,在 CARLA 仿真数据集上显著提升了复杂多拍场景下的轨迹鲁棒性与换档定位精度。论文已接受发表于 IEEE Access,并开源了专用泊车数据集供评估全预测能力。

  2. 盖世汽车 · 汽车资讯15

    大众中国发布 VEGA 体系与 HS8 智驾方案,依托 GAIA 2.0 世界模型实现 L3 交付规划

    大众中国在技术日上推出覆盖整车平台、电子电气架构及 ADAS 的 VEGA 能力体系,并首发全场景 L2++级 Hyper Sense 8(HS8)解决方案。其合资公司酷睿程利用自研 GAIA 2.0 世界模型开展仿真测试,每日等效里程达 500 万公里且有效数据利用率提升 10 倍。基于此技术积累,大众中国计划于 2027 年下半年开始交付 L3 级自动驾驶能力。

11月12日周四
  1. 盖世汽车 · 汽车资讯31

    东南大学与莫纳什大学开发“物理信息驱动”编队控制框架提升自动驾驶可靠性

    东南大学和莫纳什大学团队将传统车辆控制方法与基于学习的优化技术结合,开发出一种“物理信息驱动”的编队控制框架。该成果已发表在期刊《Communications in Transportation Research》上,旨在解决传感器不确定性、车辆模型不完善及执行器响应非线性等实际部署挑战。

11月11日周三
  1. arXiv · 机器人与计算机视觉74

    RiSE-Drive:端到端自动驾驶的风险敏感长视界候选评估

    针对端到端自动驾驶中候选轨迹评估难以捕捉延迟失败和尾部风险的挑战,本文提出 RiSE-Drive 框架。该方法先进行条件潜变量未来展开,再估计长视界结果分布而非单一标量分数,最后利用感知尾部风险且对扰动鲁棒的决策准则对候选项排序。在 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准上的实验表明,RiSE-Drive 实现了最先进性能并显著提升了候选选择的鲁棒性。

  2. arXiv · 机器人与计算机视觉82

    Route-Time Conflict Maps for Cooperative End-to-End Autonomous Driving

    该研究提出 When2Go 系统,通过共享意图和构建路线时间冲突图来解决协同自动驾驶中的死锁与碰撞风险。系统在 V2Xverse、InterDrive 等基准上取得优于现有方法的驾驶得分与无碰撞率,但仅基于仿真环境测试,未涉及真实车辆部署或路测许可。

    推荐理由:提出共享意图的协同端到端系统,在封闭回路基准上超越现有方法并解决死锁问题。

11月10日周二
  1. arXiv · 机器人与计算机视觉85

    Latent-WAM++:面向端到端自动驾驶的世界与动作表征塑造

    论文提出 Latent-WAM++,一种面向端到端自动驾驶的以表征为中心的世界动作模型(WAM)。该方法通过场景 - 自车未来预测、SIGReg 分布稳定化及冻结几何先验构建世界表征;利用改进的 MeanFlow 速度空间目标直接预测多模态轨迹提议并实现一步采样;同时对齐视觉语义衍生的停止梯度目标以优化预输出动作特征。

    推荐理由:该工作提出 Latent-WAM++,通过重塑中间表征监督与冻结几何先验,在 NAVSIM v2 实现 SOTA 性能并将端到端规划器训练成本降低 88.1%。

11月9日周一
  1. arXiv · 机器人与计算机视觉81

    FlowSim:免渲染的端到端驾驶系统闭环仿真方法

    针对传统闭环评估依赖图像生成与感知重编码导致成本高且存在仿真实隙的问题,本文提出 FlowSim 这一免渲染仿真范式。该方法直接从上一帧潜在表示和目标帧符号场景条件预测内部潜在表示,绕过图像渲染和感知重编码步骤。

    推荐理由:提出免渲染的闭环仿真范式 FlowSim,直接预测潜在表示以加速端到端系统评估。

11月6日周五
11月5日周四
  1. 盖世汽车 · 汽车资讯78

    驭势科技发布升级的L4级无人驾驶牵引车T30及协同作业方案

    驭势科技在CeMAT ASIA 2026展示升级后的L4级无人驾驶牵引车T30,该车型通过升降式自动脱挂钩装置实现自主倒车、拖斗挂接与脱钩,并与无人叉车协同完成装卸转运。

    推荐理由:驭势科技发布升级的L4级无人驾驶牵引车T30及协同作业方案,展示了自动脱挂钩、VLM/VLA技术栈与AI编程交付平台。

  2. arXiv · 机器人与计算机视觉78

    CoSafe:面向混合交通的协作运行时安全保证框架

    针对现有以自我为中心的自动驾驶系统在混合交通场景中因多车决策冲突导致的安全问题,论文提出 CoSafe 框架。该框架利用车路协同(V2X)通信,使路边单元能监控场景级风险并实施联合干预,将安全保证从单车接管扩展到场景级协作。

    推荐理由:提出 CoSafe 框架,利用 V2X 通信实现场景级协同干预,在混合交通下显著降低违规率并提升自动驾驶得分。

  3. arXiv · 机器人与计算机视觉78

    超越违规分数:驾驶与机器人导航代理的闭环评估失败边界轮廓

    针对 CARLA 封闭回路基准仅依赖违规罚分无法区分停止与推挤障碍行为的局限,本文提出失败边界轮廓方法,通过改变走廊宽度或车流时间差等因子并认证每个变体应通行或停止,估算代理的承诺度与能力曲线。该方法在七个驾驶代理和 Isaac Sim 仓库机器人上评估显示,规则专家决策准确率为 0.74,而得分最高的学习代理仅为 0.60,揭示了高分策略在不同失败模式下的差异。代码与数据已公开。

    推荐理由:提出失败边界轮廓方法,通过认证标签区分不同导航策略在闭环评测中的决策准确性与行为差异。

11月4日周三
  1. 车东西70

    得世界模型者得天下?Robotaxi企业纷纷押注下一场技术革命

    车东西报道指出,全球Robotaxi竞争进入新分水岭,Waymo融资后发布基于DeepMind Genie 3的世界模型,百度则披露面向物理AI的ApolloWorld。文章分析世界模型通过生成虚拟路测(如一天顶三年)解决实车测试效率瓶颈,并对比了两者在技术路径上的差异:Waymo侧重复杂场景生成与多传感器仿真,而百度更强调因果性、交互性及完整出行任务的验证,旨在支撑L4系统的训练与商业化落地。

  2. arXiv · 机器人与计算机视觉78

    基于递归可行控制屏障函数的网联自动驾驶多智能体强化学习安全保障方法

    针对多智能体强化学习缺乏安全保证且传统控制屏障函数易不可行或过于保守的问题,本文提出 Backup-Horizon CBF 方法。该方法沿时间步长评估安全性直至车辆停止,在控制约束下保持递归可行性并精确考虑几何形状。

    推荐理由:提出递归可行控制屏障函数,在仿真中实现多智能体强化学习的安全保障与实时性。

11月3日周二
  1. arXiv · 机器人与计算机视觉58

    当探测何时、行动何时:基于清晰度的风险自适应交互式驾驶控制

    论文针对交互式交通中不可观测的人类特征及多智能体互动的互惠性,提出统一信念空间模型预测控制框架,将信息清晰度作为显式规划变量与安全性规范协同设计。该方法在车道汇入和无信号灯路口场景中,相比代表性基线方法,在 5000 次仿真中取得最高成功率(94.6% 和 93.2%)及最低碰撞率(1.2% 和 1.4%)。材料为预印本,已提交至 ICRA 2027。

10月31日周六
10月30日周五
  1. arXiv · 机器人与计算机视觉63

    重型卡车交互式高速交通的短时视界模型预测控制学习终端代价

    针对重型卡车在高速公路上自主驾驶的控制挑战,本文提出一种混合模型预测控制(MPC)与强化学习(RL)框架。该框架利用动态规划求解有限视界 MPC,并引入预训练的 RL 模型来估计终端代价,以平衡安全约束与长期决策效率。研究在包含反应性周围交通的仿真环境中进行了评估,结果显示该方法实现了零碰撞且成本最低,优于纯 MPC、基策略 rollout 及纯 RL 方案。

  2. arXiv · 机器人与计算机视觉72

    自动驾驶系统测试中的现实差距:景观、挑战与研究方向

    该论文对4195篇出版物进行筛选,系统映射了235项测量或缓解自动驾驶(ADS)测试中“现实差距”的研究。研究将模拟与真实执行分为六个组件,发现76%的研究针对场景和感知逼真度提出缓解措施,但仅有61项报告涵盖传感器、行为及安全的多维指标,且现有证据难以建立差距与测试结论间的因果联系。

10月28日周三
  1. arXiv · 机器人与计算机视觉59

    KEPT:用于受限空间导航的保形保留排除规划(感知退化)

    该论文针对隧道和矿井等受限空间中烟雾、粉尘导致雷达测距图不准的问题,提出 KEPT 方法。该方法利用无标签严重度估计对保形预测产生的禁区(keepout)进行条件化约束,在规划和控制层强制执行制动距离条件,仅以测量到的跟踪残差作为余量且不修改禁区边界。系统在基于地面机器人烟雾录像的验证和雾中隧道四旋翼飞行闭环仿真中表现优于标准部署模式,减少了进入校准禁区的次数并达到了更多数值目标。

10月27日周二
  1. arXiv · 机器人与计算机视觉74

    基于不确定性感知的可解释避障与可行性保证方法

    arXiv 预印本论文提出一种模块化感知 - 预测 - 规划流水线,通过上游解析碰撞概率并构建凸安全集,在每周期内解耦安全性保证与求解器可行性。在四向无信号灯路口的蒙特卡洛试验中,该方法实现了 0% 碰撞率和 0% 求解器不可行率(12.7ms/周期),优于确定性规划器和机会约束基线;消融研究验证了各不确定性源的必要性,Clearpath Jackal UGVs 上的硬件部署验证了其实时可行性。

10月23日周五
  1. 盖世汽车 · 汽车资讯40

    奇瑞发布 CheryMind 物理 AI 模型与紫微芯片,首发 L4 Robotaxi 及 eVTOL 智能体

    奇瑞在 2026 全球创新大会上发布为物理 AI 而生的垂类基础大模型 CheryMind 及自主可控的紫微 C/S/M 系列芯片。现场首发了支持 L4 级无人驾驶的全球原生前装 Robotaxi 智能体、飞行速度达 120km/h 的全自主复合翼 eVTOL 飞机智能体,以及充电 5 分钟续航增加 500km 的迅龙秒充技术。

  2. arXiv · 机器人与计算机视觉85

    无人类演示的跨城市自动驾驶策略学习:NOMAD 方法

    论文针对自动驾驶在新城市部署成本高、需大量人类演示数据的瓶颈,提出 NOMAD(No data Map-based self-play for Autonomous Driving)方法。

    推荐理由:提出 NOMAD 方法,利用自博弈强化学习仅凭地图信息实现跨城市策略迁移,无需目标城市的人类演示数据。

  3. arXiv · 机器人与计算机视觉82

    AlignDrive:面向端到端自动驾驶的横向 - 纵向对齐规划方法

    该论文提出 AlignDrive 框架,通过级联设计将纵向规划从独立预测任务转化为基于路径的条件推理过程。模型侧引入锚点回归设计以条件化纵向预测并降低几何不确定性;数据侧采用规划导向的数据增强策略模拟罕见安全关键事件。

    推荐理由:提出级联框架将纵向规划转化为路径条件推理,在 Bench2Drive 基准上实现 SOTA 性能并显著改善协调性与安全性。

  4. arXiv · 机器人与计算机视觉58

    铰接车辆高速编队的一体化纵横向控制方法

    该论文提出了一种针对铰接车辆高速编队行驶的一体化控制框架,结合了先进的纵向和横向控制策略以解决安全高效自动驾驶的挑战。在纵向控制方面,基于 PID 框架提出了新的串稳定性证明,确保动态工况下的车距调节鲁棒性;采用弧长误差公式以适应曲线道路场景。

  5. 文远知行 · Newsroom60

    文远知行凭物理 AI 飞轮入选 WICV 2026 十大汽车 AI 应用案例

    文远知行因基于 GENESIS 通用仿真模型与 WITT 认知基础模型的物理 AI 闭环,入选 WICV 2026“2026 年十大汽车 AI 应用案例”。CEO Tony Han 在主题演讲中分享了将 L4 自动驾驶技术应用于 L2 ADAS 的经验,强调以算力密度衡量智能水平并坚持安全优先。

    推荐理由:文远知行因基于 GENESIS 与 WITT 的物理 AI 闭环入选 WICV 2026 十大案例,展示了从 L4 技术向 L2 ADAS 迁移及规模化部署的路径。

10月22日周四
  1. arXiv · 机器人与计算机视觉82

    PCLA-Bridge:CARLA 智能体跨域部署框架发布

    PCLA-Bridge 是一个无需活跃 CARLA 服务器即可运行未修改 CARLA Leaderboard 智能体的工具,支持从任意传感器源到任意控制目标的部署。

    推荐理由:PCLA-Bridge 框架允许在不修改 CARLA Leaderboard 模型的情况下,将其跨域部署到 MetaDrive、AWSIM 等仿真引擎及真实数据流中。

10月21日周三
  1. Kodiak AI · 自动驾驶货运78

    Kodiak Driver 创下连续运行 64 天新纪录,为年底高速公路无人化做准备

    Kodiak AI 宣布其搭载 Kodiak Driver 的无人驾驶卡车在 Permian Basin 工业部署中创下连续运行 64 天的新纪录,期间从未断电重启。

    推荐理由:Kodiak 宣布其 Gen6/Gen7 自动驾驶系统在 Permian Basin 实现连续运行新纪录,验证了物理 AI 在长周期无人货运中的工程可靠性。

10月19日周一
  1. arXiv · 机器人与计算机视觉78

    基于在线约束优化的间接自适应鲁棒控制:面向未知摩擦的自动驾驶车辆

    该论文针对自动驾驶车辆在未知摩擦条件下的控制难题,提出了一种结合优化规划与间接自适应鲁棒控制(IARC)的双层框架。上层通过求解带约束的最优控制问题生成满足所有约束的时间最优可行轨迹;下层利用 IARC 在线估计与摩擦相关的未知参数,并结合模型补偿与鲁棒反馈确保瞬态和稳态跟踪性能。

    推荐理由:提出结合优化规划与间接自适应鲁棒控制的双层框架,解决未知摩擦下的车辆轨迹跟踪问题。

10月16日周五
  1. arXiv · 机器人与计算机视觉78

    Comfortably Stuck:Bench2Drive 闭环评估协议的陷阱与修正方案

    论文指出 Bench2Drive 基于 CARLA 的闭环评估协议存在严重缺陷:其舒适度指标因实现错误和奖励静止的策略,导致评分与实际驾驶表现相关性极低;导航信号供给机制也存在控制器替换转向及训练/测试目标点不一致的问题。作者通过实验验证了这些陷阱对 UniAD 等模型的影响,并发布了独立的修正代码,允许在不重新运行仿真复现的情况下获取更准确的舒适度分数。

    推荐理由:原文指出 Bench2Drive 闭环评估协议存在指标实现错误与导航信号供给缺陷,导致评分失真,并提供了修正后的距离基线代码。

  2. arXiv · 机器人与计算机视觉78

    Race to Recovery:基于自动驾驶赛车学习的先进安全系统设计

    针对电子稳定控制系统难以处理打滑、水滑或急避导致的失控问题,该研究提出通过强化学习训练漂移策略并迁移至最小时间恢复任务的方法。作者定义了基于相平面的稳定平衡点作为恢复标准,开发了 Gym-Khana 用于控制器训练与评估。

    推荐理由:该研究通过强化学习训练漂移策略并迁移至恢复控制,在物理 F1TENTH 平台上验证了比传统方法更优的失控恢复能力。