Carla
PulseAugur coverage of Carla — every cluster mentioning Carla across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
新的GS-Net模块通过更快的3DGS提升自动驾驶数据重用性
研究人员开发了GS-Net，一个旨在增强不同自动驾驶车辆间数据重用性的新型模块。该即插即用系统聚合了来自稀疏运动恢复（Structure-from-Motion）点云的几何上下文，并将其扩展为密集的高斯图元，从而为3D高斯泼溅（3D Gaussian Splatting）实现更快、更具泛化性的初始化。GS-Net显著提高了内插和外插视图的渲染质量，解决了目标相机视角位于训练相机凸包之外的、研究不足的外插区域问题。为了便于评估，该团队还…
-
面向机器人视觉系统推出新的HDR成像方法DMEB
研究人员推出了一种名为深度引导多视图曝光包围（DMEB）的新方法，用于在机器人视觉系统中捕获高动态范围（HDR）图像。该方法解决了在极端光照条件下可靠进行HDR成像的挑战，而此前一直缺乏全面的基准。研究团队使用定制的机器人平台和iPhone 13 Pro开发了一个大规模数据集，包含121个真实场景和来自CARLA模拟器的20个合成序列。DMEB使用深度引导融合来融合分布在多个相机视图中的差异极大的曝光，为评估多传感器机器人系统中的HD…
-
自动驾驶系统采用风险自适应边缘-云以实现高效通信
研究人员开发了一种新颖的风险自适应边缘-云架构，旨在提高自动驾驶系统的通信效率并降低延迟。该架构利用车载视觉语言模型（VLM）来评估交通状况和危险，从而确定何时请求云端推理。通过选择性地上传视觉数据，该系统旨在在本地保持战术决策能力，同时利用云模型获取更复杂的建议。在CARLA模拟器中的实验表明，与传统的周期性云访问方法相比，云请求和自动紧急制动激活次数显著减少。
-
新AI框架教自动驾驶汽车进行伦理决策
研究人员开发了一个“伦理决策头”（EDH）框架，利用深度强化学习赋予自动驾驶汽车伦理推理能力。EDH框架将伦理原则编码为可微分的奖励信号，使代理能够学习符合道德的驾驶行为。在CARLA模拟环境中评估了两种规范框架：功利主义和康德主义，训练利用了近端策略优化和基于人类偏好的Bradley-Terry奖励模型。值得注意的是，人类评分者偏好自我牺牲而非最小化伤亡，模型学习到了这种偏好，表明理论伦理处方与实际人类奖励之间存在差异。
-
新框架跨域评估自动驾驶VLA模型
研究人员开发了SSP，一个用于自动驾驶视觉-语言-动作（VLA）模型的评估框架。SSP在合成、模拟和物理域之间匹配事件，以准确评估模型性能和域敏感性。该框架被用于评估OpenEMMA、LLaViDA和Alpamayo-R1模型，揭示了它们在不同域和场景下的性能差异。
-
CORAL系统通过基于课程的强化学习推进自动驾驶
研究人员开发了CORAL，这是一种用于增强自动城市驾驶强化学习的新方法。CORAL利用一个课程，该课程逐步增加路线长度和行为约束，并配有一个阶段感知奖励系统，该系统根据任务难度调整其权重。该方法使用紧凑的状态表示在CARLA模拟器中进行训练，在目标实现和路线完成方面显著优于标准的Proximal Policy Optimization基线，并展示了对未见过的城市环境的强大的零样本可迁移性。
-
新AI通过语言学习驾驶威胁感知，但控制仍具挑战
研究人员开发了一种名为语言结构化关系Q学习的新方法，并将其实现为以自我为中心的关系Q网络（ERQ-Net），以提高AI控制驾驶系统中的威胁感知能力。该方法使用自然语言描述来训练动态交通图上的策略，使AI能够从可观察的运动学和交互中推断威胁相关性。虽然训练方法在安全关键场景中显示出更高的成功率并增加了对对抗行为的关注，但并未持续转化为更具适应性的控制策略，揭示了识别与控制之间的差距。
-
VOLA系统使用VLM token改进开放世界驾驶感知
研究人员开发了VOLA系统，该系统通过预测语义属性而非仅是对象标签来改进开放世界驾驶感知。VOLA利用Qwen 3.5的图像-token隐藏状态创建密集属性图，使车辆能够理解如何与之前未遇到过的新对象进行交互。与仅视觉分割器和提示式视觉-语言模型相比，该系统在将驾驶属性转移到未见过的障碍物方面表现出优越性能。
-
新流程改进了从监控摄像头进行的交通对象标注
研究人员开发了一种新的两阶段流程，使用监控摄像头图像精确标注道路交通对象。该方法改进了通常因透视失真和视差而出现错误的标准方法。该流程首先使用 YOLO26 检测器检测车辆，然后采用 ResNet34 网络预测车辆的底角点，最终计算其在路面上的位置。实验表明，在 DAIR-V2X 数据集上，图像空间标注误差显著降低了 51.8%。
-
新的确定性世界模型增强了AI控制器验证
研究人员开发了一种确定性世界模型（DWM），以改进用于安全关键系统的端到端图像控制器的形式化验证。该DWM将物理状态直接映射到合成摄像头图像，绕过了随机潜在变量的复杂性。在CARLA制动系统和多个Gym基准上的实验表明，与现有方法相比，DWM生成的精确可达管更精确，同时确保了与真实控制器的一致性。
-
新的LAIA数据集利用人类注意力数据增强AI驾驶员的可解释性
研究人员推出LAIA，这是一个新的合成数据集，旨在增强端到端驾驶AI模型的可解释性和说明性。LAIA使用CARLA模拟器收集，包含来自44名参与者的15小时以上驾驶数据，并配有同步的眼动追踪数据以及RGB图像、分割和CAN总线信号等标准传感器输入。该数据集旨在促进注意力感知AI驾驶员的训练，实现驾驶员行为预测，并改进异常注意力模式的检测，最终提供关于AI注意力如何与人类注意力保持一致的见解。
-
新的FogDrive数据集增强了在不同雾度条件下的自动驾驶感知能力
研究人员推出FogDrive，一个旨在提高自动驾驶感知系统在不同雾度条件下性能的新合成数据集。该数据集使用CARLA模拟器构建，包含同步的多模态传感器数据，如RGB、深度、语义分割、LiDAR和雷达。FogDrive利用物理原理系统地模拟了三种校准密度的雾，并为每个场景提供了匹配的清晰和多雾版本，用于对除雾和检测流程进行基准测试。对最先进架构的初步实验表明，在混合雾度密度下进行训练可以提高3D边界框的准确性，而不会增加数据成本，传统的…
-
新研究评估强化学习智能体的模糊测试
arXiv上的一项新研究评估了强化学习（RL）智能体的模糊测试方法，RL智能体越来越多地应用于安全关键型应用。该研究系统地比较了五种最先进的模糊技术与随机测试在三种不同复杂度的环境中：MountainCar、BipedalWalker和CARLA。研究结果表明，像MDPFuzz这样的方法在发现崩溃方面非常有效和高效，而SeqDivFuzz在揭示多样化的崩溃行为方面表现出色。研究还表明，模糊测试生成的崩溃可以显著增强智能体的鲁棒性并提高…
-
新数据集SimBEV2X推动自动驾驶车辆V2X协同感知发展
研究人员推出SimBEV2X，一个新颖的合成数据生成工具及其配套的大规模数据集，旨在推动自动驾驶车辆的协同感知发展。SimBEV2X基于CARLA模拟器构建，通过创建随机驾驶场景来生成多模态传感器数据和全面的地面真实标注，解决了现有数据集的局限性。生成的数据集比以往的V2X数据集规模更大，包含大量连接车辆和路边单元的帧、激光雷达点云、图像和边界框。
-
新的VLA框架推动自动驾驶感知和动作规划 · 跟踪9个来源
多篇研究论文介绍了用于自动驾驶的新型框架，这些框架集成了视觉、语言和动作（VLA）能力。MATS提出了一种多模态、多任务学习方法，具有自适应融合和特定任务的专家，用于3D感知。HyWorldVLA结合了像素级监督和基于潜在变量的世界模型以实现鲁棒驾驶，而PerceptDrive则利用冻结的感知模型和自适应专家路由。ForgeDrive使用统一的扩散框架和交叉条件进行视觉-动作生成，MindDrive则采用在线强化学习和大型语言模型进行…
-
OpenDriveLab的陈立提出可组合世界模型以实现更安全的AI策略
在RSS 2026上，OpenDriveLab的陈立提出了一种可组合世界模型方法，将具身AI策略的预测和评估组件分开。这种解耦旨在通过允许AI在真实世界执行前，在受控环境中“想象犯错”来提高安全性和可检查性。该工作涵盖了四个渐进式系统：用于可靠仿真的ReSim，用于操作任务的Generation-then-Revise，用于自动驾驶训练后部署的World Engine，以及通过想象进行机器人强化学习的RISE。
-
新的混合式车在环平台验证自动驾驶协同感知
研究人员开发了一个混合式车在环（ViL）平台，该平台集成了真实车辆与基于CARLA的数字孪生。该平台旨在验证自动驾驶的协同感知系统，这是满足欧洲安全法规（允许生成虚拟证据）的关键一步。该系统在模拟交叉路口场景中成功展示了改进的视野覆盖范围和占用单元召回率，并强调了定位不确定性是主要的错误来源。
-
新框架为自动驾驶创造更小、更安全的人工智能
研究人员开发了BucketKD，一个旨在为自动驾驶创造更小、更安全端到端运动规划模型的新知识蒸馏框架。该方法将环境变量离散化为自适应分桶，并结合了一个安全感知的航点注意力机制，该机制使用碰撞时间公式来评估风险。在CARLA模拟器中使用Bench2Drive数据集进行的实验表明，BucketKD在规划准确性和安全性方面优于现有方法，同时实现了显著的模型压缩。
-
新方法使用生成世界模型改进自动驾驶模仿学习
研究人员开发了一种新颖的方法，使用潜在空间生成世界模型来解决自动驾驶模仿学习中的协变量偏移问题。该方法采用基于Transformer的感知编码器，具有多视图交叉注意力和学习到的场景查询。所提出的策略通过与人类演示状态对齐来有效减轻协变量偏移，从而实现错误恢复并处理超出训练分布的扰动。在CARLA模拟器和NVIDIA的DRIVE Sim中的评估表明，与现有的最先进方法相比有了显著改进。
-
新研究利用先进的模拟器和基准来解决自动驾驶安全问题
研究人员正在开发新的方法和基准来提高自动驾驶系统的安全性和鲁棒性。其中一种方法 MultiSim 使用模拟器集成来识别在不同模拟环境中都一致的导致故障的场景，其表现优于单一模拟器测试。另一项开发 Shift & Drift 是一个基准，旨在测试运动规划器在语义偏移和执行扰动下的表现，揭示了模仿保真度和韧性之间的权衡。此外，WCog-VLA 是一个结合了世界认知和生成模型以实现主动自动驾驶的新颖框架，而 CARLA-GS 通过解耦表示、…