ControlPed:一种用于端到端驾驶安全评估的可控逼真行人风险动作生成框架
针对现有方法难以兼顾视觉真实感与控制性的问题,该研究提出 ControlPed 框架,结合轨迹级冲突合成与3D高斯泼溅技术,生成包含多视角传感器观测的逼真危险场景。
针对现有方法难以兼顾视觉真实感与控制性的问题,该研究提出 ControlPed 框架,结合轨迹级冲突合成与3D高斯泼溅技术,生成包含多视角传感器观测的逼真危险场景。
Radar2Plan 是一个用于开放回路自车轨迹规划的模块化基准,旨在解决恶劣天气和光照不足下的感知鲁棒性向下游规划转化的问题。该研究利用 DSERT-RoLL 和 MAN TruckScenes 数据集,在统一协议下评估了七种传感器组合(相机、4D 雷达、激光雷达)与四种代表性规划基线的表现,涵盖 12 种天气和光照条件。
该研究针对风险感知规划器在高程图上计算接触最大值时的精度问题,提出利用 Clark 递归对协方差进行闭式求解的方法。实验显示,该方法将均值的线性化误差从 2.3% 降至 0.19%,并在 CVaR 指标上优于所有测试方法;基准计划耗时仅 5.5 微秒。论文已提交至 2027 IEEE ICRA。
针对传统优化类泊车规划器仅在采样时刻施加碰撞约束导致车辆角点穿障的问题,提出一种适用于带倒挡车辆的规划器。该方法在每次迭代均满足离散动力学并保证整车矩形避开障碍物:每个时间步生成一个凸走廊以容纳两端车角并通过扫掠余量收缩;利用分离半平面为初始猜测处于碰撞状态时提供避障方向,后续基于速度、曲率和步长生长对齐航向的盒状区域并在接受步骤后重建。
推荐理由:提出一种基于优化的泊车规划器,在每次迭代均满足离散动力学且保证车辆矩形不穿入障碍物。
针对自动驾驶感知中 Transformer 追踪器计算量大、难以部署的问题,本文提出差异特征图知识蒸馏(DFM-KD)框架。该方法不直接最小化师生特征的点对点误差,而是通过转移样本间的特征差异来显式对齐特征空间的关系结构,使学生模型能更好地捕捉批次内视觉变化的动态规律。实验表明,该框架在追踪精度和成功率上均优于传统基于特征层面的蒸馏方法。
该研究总结了开发灵活多传感器自动驾驶平台的挑战与经验,涵盖机械设计、传感器校准及时间同步等基础问题。作者分享了利用 GNSS 和 NTP 协议实现系统级时间同步、定制不同传感器配置的校准流程以及提升野外部署可靠性的具体缓解策略。这些见解旨在为研发新型多传感器系统的研究人员提供参考,以提升自动驾驶测试的可复现性与鲁棒性。
该论文提出了一种面向建筑工地的实时多模态通行性建管流程,利用 LiDAR 作为主要几何安全估计,并通过置信度门控的单目语义信号进行修正。系统能区分平坦路面、地形和岩石地形并标记施工隐患。作者公开了一个来自定制 AMR 的多模态施工现场数据集,包含两个活跃工地的四段闭环 ROS 2 序列数据及 506 个标注帧(涵盖 28 个语义类别)。
论文提出一种基于学习的 MPC 框架,通过残差动力学网络补偿不完整动力学并引入学习动作价值评级的长期 MDP 结构,以解决接触等难建模任务。系统集成了 GPU 加速的批量 iLQR 求解器,在机器人仿真环境中验证了该方法在偏置和未完全建模控制任务中提升闭环性能且保持模型结构的可行性。材料为 arXiv 预印本,发表于 CoRL 2026,未报告真实机器人部署结果或同行评审状态。
针对现有空中视觉语言导航模型依赖大参数骨干网络和高密度视觉历史导致算力与内存成本过高的问题,该研究提出了 LightVLN 框架。该方法采用仅 0.5B 的语言骨干网络,利用策略已计算的视觉特征将每个历史帧压缩为单个 token,并通过条件局部聚合将当前观测从 256 个视觉 token 降至 32 个,同时保留导航相关空间信息。
针对移动机器人和施工场景对低延迟及低碳计算的需求,该研究利用 VideoMAEv2-Base 模型在 Nexar 碰撞预测数据集上,量化了网络深度内运动线索的可解释性及 Token 流的时空相似性。
论文提出了 RiskFly 框架,这是一种单阶段基于学习的规划器,旨在解决未知、杂乱且动态环境中飞行器避障反应滞后的问题。该方法通过双流观测结合深度序列与对齐于视锥体的倒置球面范围图,并引入辅助头回归空间时间风险场,在训练中将表征监督与规划梯度统一在同一空间内。
论文提出一种针对雷达、LiDAR 和相机系统的在线无目标外参标定框架,通过构建各传感器对的残差并联合优化以最小化整体误差。方法引入基于距离阈值的自适应雷达噪声过滤及跨帧对应关系累积策略,解决稀疏与噪声干扰问题。作者在自建的城市环境数据集上验证了该方法能降低所有传感器对之间的标定误差,优于仅使用相机-LiDAR 的基线方案。
论文介绍 CrashSim 框架,利用真实世界事故先验指导多智能体交通仿真,以更可靠地复现撞击前的演化过程及事故类型分布。作者构建了包含超 4000 个碰撞及准碰撞场景的 nuCrash 数据集,闭环评估显示其比 nuScenes 更能暴露自动驾驶规划器的安全能力差异。
该论文基于 arXiv 预印本,分析了将 Autoware 自主驾驶系统扩展至建筑工地大型自卸卡车时面临的挑战。作者识别了公共道路与非道路应用在感知、建图、定位及控制模块间的差距,重点讨论了针对工地尘土与复杂地形的激光雷达感知管线开发进展及实地测试结果,并提出了通往端到端自动驾驶的路线图。
针对现有视觉语言模型主要关注观测场景而缺乏对未来空间状态预测能力的不足,本文提出了 SpatialMind 这一度量级视觉语言模型。该模型通过引入度量深度适配器将空间推理锚定在真实世界尺度,并利用渐进式状态链以当前状态和观测动态为基础进行未来预测。
该研究提出一种拓扑优先的主动重建框架,旨在解决微空载飞行器(MAV)在室内快速 3D 重建时的严格飞行时间预算与安全约束问题。系统优化稠密 3D Gaussian Splatting 作为重建目标,同时利用轻量级截断符号距离场(TSDF)/占据栅格构建稀疏 3D Voronoi 骨架路网以支持保守碰撞检查与在线规划。
Teradyne Inc.宣布对 Bright Machines Inc.进行战略投资,并启动战略合作,将 Teradyne 的机器人与测试技术与 Bright Machines 的制造平台整合。
论文提出 CARE 方法,通过成对 rollout 对比来定义并量化加速导致的任务失败风险。该方法在 LIBERO 套件上使用 OpenVLA-OFT 模型,实现了 9.0 至 10.8 倍的推理速度提升,同时保证至少保留 85.8% 的原始成功率(置信度 95%)。
Geoffrey Hinton 与 Yoshua Bengio 等 22 位学者发表论文《What if automating AI R&D triggers an intelligence explosion?
推荐理由:辛顿领衔团队发布首篇递归自我改进论文,论证AI研发自动化可能触发软件驱动的智能爆炸。
论文针对现有解耦方法依赖预训练骨干网络且对传感器配置变化敏感的问题,提出 LightLoc++ 框架。作者构建了包含 32/64/128 线旋转激光雷达的城市同步多源数据集 SULID,通过跨传感器一致性学习训练出传感器鲁棒的骨干网络。该方法结合样本分类引导与冗余采样下采样技术,在多个户外定位基准测试中实现了最先进的定位性能,同时拥有最低的新场景训练成本。代码与数据集将公开。
针对机器人仿真到现实部署中缺乏明确操作区安全性保证且无法修正控制器的挑战,本文提出一种课程驱动的闭环框架,将场景驱动进化策略与基于统计模型检测的验证紧密集成。该方法从候选区域出发,在优化策略性能的同时逐步扩大安全操作边界,最终输出神经控制器及其经统计验证的安全与性能区域。
针对自动驾驶中三维目标检测需降低标注成本及识别未见物体的挑战,本文提出了 OpenBox 两阶段自动标注流程。该方法首先通过跨模态实例对齐将二维图像中的实例线索关联至对应点云,随后根据刚性与运动状态对实例进行分类并生成具有类别特定尺寸统计的自适应边界框。
arXiv 论文《Test-time Multi-agent Coordination by Decomposed Value Gradient Flow》由 Dongsu Lee、Haoran Xu 和 Amy Zhang 提交至 NeurIPS 2026,提出 SCOUT 框架以解决离线多智能体强化学习(MARL)中生成策略与价值优化策略的权衡问题。
论文针对昂贵目标域数据稀缺且噪声大的问题,提出多保真度策略梯度(MFPG)框架,利用廉价低保真数据构建控制变量以降低方差而不引入偏差。作者将该方法扩展至现代 Actor-Critic 架构及 GPU 并行仿真与物理机器人环境,解决了直接优化有偏目标的局限。
论文提出了 DR-IPC 方法,通过轻量级路径引导与非线性模型预测控制直接生成角速度和推力,结合扩展卡尔曼滤波与非线性扰动观测器实现状态估计与扰动重构。该方法在 Gazebo 和 MARSIM 仿真及室内外实验中验证了抗风、悬吊负载、狭窄通道、球体撞击及动态避障能力。
该论文提出了 SafeStreamingFlow 算法,旨在解决基于扩散/流匹配的生成式规划器在真实部署中面临的计算负担大及分布偏移问题。该方法通过顺序积分学习到的状态向量场与分层状态预测,使采样动力学与执行动力学对齐,仅需对已执行步施加高阶控制屏障函数以满足安全约束。
论文提出了 TerrainForge 框架,旨在从重建的多车驾驶片段中生成聚焦于道路几何的反事实场景。该框架通过统一道路模型连接场景形变与四轮车辆动力学,使路拱、洼地、减速带及摩擦变化能传播至车辆运动、相机视角和车距间隙。
论文提出 Split Label-Localized Conformal Prediction (SLLCP) 方法,作为冻结的视觉语言模型(VLM)的后验校准层,将不可靠预测转化为概率校准的安全预测集。
论文提出一种针对非合作行星探测器的归因感知轨迹分析方法,旨在解决多探测器共享部署区时的合规验证难题。该方法通过评估候选可信子集的统计一致性而非单个测量有效性,从稀疏遥测数据中重建轨迹并识别提供虚假测量的拜占庭节点。实验表明,该方法在合成仿真和真实类地数据上均能显著优于现有的鲁棒位姿图优化基线。
推荐理由:提出针对非合作行星探测器的归因感知轨迹估计方法,在存在拜占庭节点时能识别恶意数据并提升轨迹重建精度。
该论文提出一种连续时间事件相机立体视觉里程计(VO)管道,通过物理基础的前向加速度白噪声先验将测量插值到精确的时间戳,从而在保持异步测量原生分辨率的同时维持实时运行。
推荐理由:提出基于关键时间高斯过程的实时事件相机立体视觉里程计,在 MVSEC 和 DSEC 数据集上实现比离散估计器更优的精度与频率。
论文提出 MapMergeLLM 框架,将向量化 HD 地图的局部预测片段聚合成全局地图建模为条件序列生成任务。该方法利用坐标 tokenizer 和几何感知预训练精确表示坐标,并引入行级关联损失监督同一地图元素的对应关系。
推荐理由:提出 MapMergeLLM 框架,利用大语言模型将向量化地图聚合转化为条件序列生成任务,在 Argoverse2 和 nuScenes 数据集上显著优于启发式与优化基线。
Hugging Face Daily Papers 转载了论文《Capability-Driven Self-Evolution of Agent Memory》(arXiv:2610.06361)。
针对大语言模型强化学习中奖励稀疏导致优化停滞的问题,本文提出 Rationale-Guided Policy Optimization (RGPO) 框架。该方法将真实推理过程作为临时脚手架辅助模型生成改进响应,随后仅将高奖励的自生解法转移回无引导设置,无需依赖同格式的非策略数据。实验表明,该框架在文本及视觉语言推理任务中均能提升性能并稳定强化学习训练。
推荐理由:提出利用自适应推理脚手架缓解强化学习奖励稀疏问题,在文本与多模态任务中均优于基线。
论文提出 Diffusion On-Policy Context Distillation (D-OPCD) 方法,旨在将智能体(Agent)利用记忆、技能和工作流编排带来的性能增益内化到扩散模型的权重中。
该研究针对长程 LLM 智能体常用稀疏混合专家(MoE)模型但行为与结构协同设计不足的问题,发现专家路由在语义相似操作间存在重叠特性。作者提出分层路由控制框架,鼓励轮次级专家选择对齐智能体操作并正则化 token 级选择以维持局部一致性,同时引入熵门控机制解决后训练稳定性问题。
推荐理由:原文提出分层路由控制框架,解决智能体强化学习中 MoE 专家选择与轨迹结构不匹配问题,在基准测试中成功率提升超 10 个百分点。
量子位报道专业AI 3D公司Meshy年度经常性收入(ARR)不到两年从100万美元增至1亿美元。文章分析指出,尽管GPT-6等通用模型在几何结构任务上表现优异,但在发丝、褶皱、纹理细节及颜色图案还原等复杂资产生成上仍不及专业模型。
该研究针对自动驾驶仿真中难以精确控制场景极端程度的问题,提出将场景对抗性定义为条件分布中的分位数。通过构建历史条件的风险分位数请求与参考风险分布映射,结合联合扩散模型生成多智能体未来轨迹,实现了在高速场景下对最小后侵入时间(PET)等物理风险的精准调控。实验显示该方法能以 98.75% 的准确率满足分位数请求,误差控制在极小范围内,为安全测试提供了可量化的风险规格接口。
论文提出 LLM-as-Jev 框架,通过括号内数字标识符的下一个 token 概率直接提取校准后的决策分布,无需生成自由文本即可驱动软件系统行动。研究在 Qwen3.5-4B 和 Qwen3-0.6B 上发现现代大模型原生具备高效决策能力,未训练时 4B 模型即匹配社区同类模型并优于字母 logit 读取方案;微调仅对弱模型或特定任务(如多选项意图路由)有显著提升。
论文提出 ASCENT 方法,让大语言模型智能体在执行任务流的过程中,利用自身产生的、经终止信号验证的轨迹进行在线测试时训练(OaTTT)。该方法冻结初始模型作为稳定版本,以 hindsight 视角预测已执行轨迹上的下一 token 分布,并通过蒸馏至持久化 LoRA 权重来更新策略。
工信部等七部门联合印发《新型电池产业发展“十五五”规划》,设定到2030年实现全固态电池初步规模化应用、长寿命锂电池循环寿命达15000次及头部企业产品缺陷率达PPB级别的目标。