Carla
PulseAugur coverage of Carla — every cluster mentioning Carla across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的共形预测方法增强了自动驾驶领域VLM的安全性
研究人员开发了一种名为“分裂标签-本地化共形预测”（SLLCP）的新方法，以提高自动驾驶系统的安全监控能力。该技术充当视觉-语言模型（VLM）的校准层，将它们的近似预测转化为可靠的安全预测集。SLLCP通过考虑驾驶场景并上调相关过往经验以计算不确定性阈值，专门解决了碰撞可能性估算这一挑战。在15,000个CARLA轨迹上进行测试时，与基础VLM相比，SLLCP显著提高了碰撞原因场景的检测率，使用Qwen骨干模型检测到89.6%，使用C…
-
LLM驱动的框架实现了自适应激光雷达攻击
研究人员开发了TACTIC，一个利用多模态大语言模型（MLLM）执行自适应路侧激光雷达攻击的新型框架。该系统使用本地感知数据和路侧图像构建语义场景图，使其能够选择和配置诸如“推开”和“幻影障碍刹车”之类的攻击原语。在CARLA模拟中，TACTIC实现了100%的碰撞率，显著优于固定或随机选择的攻击策略，并通过异步重新规划提高了响应时间。
-
新的模仿学习策略可在CARLA模拟器中实现自动驾驶
研究人员在CARLA模拟器中开发了一种新的自动驾驶模仿学习方法。该方法使用包括RGB图像、LiDAR、车辆遥测数据和车道航点在内的历史数据，训练了一个紧凑的多模态策略。该策略拥有136万个参数，可以在没有碰撞的情况下长时间自主驾驶，并显示出向不同模拟环境迁移的潜力。
-
GrayTrack系统利用间接传感器数据增强车辆追踪
研究人员开发了GrayTrack，一个旨在通过整合第三方传感器的间接观测来改进车辆追踪的新型系统。该方法通过利用弱的、匿名的事件数据以及稀疏的直接观测，解决了直接感知中的隐私担忧和数据访问等限制。使用CARLA-Mininet-WiFi的模拟管道表明，GrayTrack将轨迹均方根误差（RMSE）显著降低了60%以上，并大大减少了灾难性的轨迹丢失，展示了其在增强追踪能力方面的有效性。
-
新的基于图的方法评估自动驾驶激光雷达模拟保真度
研究人员开发了一个新的基于图的框架，用于评估模拟激光雷达点云的结构保真度，这对于验证自动驾驶系统至关重要。该方法超越了传统的几何指标，通过分析连通性和拓扑结构，使用Louvain社区检测来识别和匹配真实数据与模拟数据中的社区。计算了这些匹配社区的图谱度量 $r_\lambda$，该度量对变换和噪声具有鲁棒性，同时对结构变形敏感。该框架在Velodyne VLP-32C传感器配对的真实世界扫描和在CARLA中生成的模拟数据上进行了评估，…
-
脉冲神经网络在行人过马路意图分类中实现高精度
研究人员开发了一种新颖的卷积脉冲神经网络（Conv-SNN），用于使用事件视觉分类行人过马路意图。该方法将真实驾驶录像转换为合成动态视觉传感器（DVS）事件流，并通过模拟DVS序列进行训练增强。所得模型在各种数据集上实现了高精度，在稀疏时间数据上运行效率更高，同时优于先前的基于帧的方法。
-
形式化验证方法证明AI转向故障无需模拟
研究人员开发了一种名为边界传播的形式化验证方法来测试基于AI的自动驾驶系统。该技术分析训练好的神经网络权重，以预测潜在的转向故障，而无需进行广泛的实际驾驶或模拟驾驶。将边界传播应用于CARLA模拟器中的端到端转向网络，发现了可能导致策略失败的条件，这表明它可以补充传统的基于模拟的测试，用于自动驾驶验证。
-
新方法评估自动驾驶AI生成的地图
研究人员开发了一种新方法，用于评估由交叉视图Transformer（CVT）生成的用于自动驾驶的鸟瞰图（BEV）地图。这些BEV地图是行为克隆策略的关键输入。该研究提出了一种六通道BEV表示和一种核密度估计（KDE）加权方案，以提高性能，尤其是在曲线和交叉路口等挑战性操作上。在CARLA模拟器中的闭环评估表明，KDE加权模型在没有违规的情况下成功完成了驾驶任务，这表明在关键位置的预测质量，特别是对于路线通道，比整体分割指标对导航成功更重要。
-
联网车辆利用AI进行态势感知以优化数据分发
研究人员通过增强态势感知，开发了一种用于联网车辆智能数据分发的新颖方法。该方法利用鸟瞰图图像、物体检测和语义分割来理解交通环境。该系统在CARLA模拟器上进行了评估，并在Cityscapes和nuScenes数据集上进行了验证，它根据当前的道路状况对相关传感器数据进行优先级排序，从而提高了数据管理效率。
-
自动驾驶转向统一的 VLA 模型，挑战模块化堆栈
新的视觉-语言-动作 (VLA) 模型正在涌现，旨在统一自动驾驶中的感知、推理和控制，从而摆脱传统的模块化堆栈。三个 prominent 模型——来自 UCLA 的 AutoVLA、NVIDIA 的 Alpamayo 系列和 Qwen-Drive-1.0——代表了这种统一的不同方法。AutoVLA 专为边缘部署而设计，具有较少的参数量和基于 token 的动作输出，而 Alpamayo 则是一个较大的、云规模的教师模型，用于蒸馏成较小…
-
LLM框架CoLMIN增强自动驾驶协商
研究人员开发了CoLMIN，一个用于合作式自动驾驶的新框架，该框架利用大型语言模型（LLMs）来改善车辆间的决策和共识。与可能导致次优解决方案的先前方法不同，CoLMIN采用多决策路径协商和反思性推理来实现稳定和高质量的共识。该框架包括多意图协商、对结果的浅层反思以及对协商历史的深度反思等模块，以防止过早收敛并提高在复杂驾驶场景中的性能，这已在CARLA模拟环境中得到证明。
-
DiDrive框架利用扩散模型提升自动驾驶安全性
研究人员推出DiDrive，一个旨在利用离线强化学习提高自动驾驶系统安全性和可靠性的新框架。该框架采用风险感知分层扩散（RHDif）架构来管理复杂的状态空间，并使用3DICE策略优化方法来防止生成分布外（out-of-distribution）的动作。在CARLA基准测试中的评估显示，DiDrive在具有挑战性的交通场景中，成功率达到85%，平均奖励高，相比现有方法有显著改进。
-
新型攻击利用自动驾驶汽车传感器校准
研究人员开发了一种针对自动驾驶汽车在线校准系统的对抗性校准攻击（ACA）。该攻击利用了车辆检测和纠正传感器失准（例如摄像头和激光雷达之间）的过程。通过使用特制的对抗性海报，ACA可以欺骗车辆接受错误的校准数据，导致感知错误，并可能引发碰撞。该攻击已被证明能在基准数据集上引起显著的校准误差，并在物理机器人上成功复现。
-
自我博弈驾驶策略在真实世界地图上表现不一
研究人员探索了自我博弈在训练自动驾驶策略方面的有效性，并扩展了先前在 Gigaflow 和 Puffer-Drive 等模型上的工作。通过将 MLP 切换为 Transformer 并在真实城市的で高精度地图上进行训练，该研究旨在提高在 CARLA 和 Waymax 等基准测试中的性能。然而，训练出的策略表现不如 Gigaflow，出现了诸如在交通信号灯处进行奖励破解以及忽略在停车标志处停车等失效模式。研究还分析了哪些交通规则自然地从…
-
新的SynCrash流水线可在交通视频中实现零样本事故检测
研究人员开发了SynCrash，一种新颖的三阶段流水线，用于交通监控视频中的零样本事故检测和定位。该系统通过识别事故发生、精确定位撞击位置以及对碰撞类型进行分类，而无需依赖标记的真实世界数据，从而应对CVPR 2026挑战。该流水线集成了使用微调的VideoMAEv2-giant模型的时态定位、使用YOLO和物理信息启发式方法的空间定位，以及一个基于规则的碰撞类型分类器。
-
新AI方法在无手动标签的情况下训练自动驾驶感知
研究人员提出了一种新颖的方法，可以在没有手动标注的情况下训练自动驾驶汽车的3D感知系统。这种被称为“基础设施教学、无标签3D感知”的方法，利用路侧单元（RSU）作为固定的、无监督的教师。这些配备传感器的RSU从固定视角学习检测物体，然后将这些预测广播给过往车辆。然后，聚合的伪标签用于训练独立的自车检测器，从而在测试阶段消除了对基础设施或通信的需求。在CARLA模拟中的一项研究证明了该流程的可行性，在车辆检测方面达到了82.3%的AP，…
-
新的3D对抗性攻击针对自动驾驶汽车感知系统
研究人员开发了一种名为3DGAA的新型对抗性攻击方法，旨在真实且鲁棒地攻击自动驾驶汽车中基于摄像头的感知系统。该框架生成视图一致、保留几何结构的对抗性贴纸，可以制造并应用于车辆。在模拟和物理实验中进行测试时，这些贴纸在保持视觉真实性的同时，显著降低了不同视图下的检测置信度和平均精度。
-
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。