CVPR 2025 自动驾驶与具身智能论文归档

端到端驾驶与规划 4 BEV与占用感知 1 3D检测与多模态融合 6 世界模型 2 VLA与机器人操作 5 人形与运动控制 1 具身导航与空间智能 4 定位与建图 1 仿真数据与评测 2

01 端到端驾驶与规划 4 篇

Highlight通过优化驱动的多帧扰动框架实现持久、高效且鲁棒的自动驾驶轨迹预测攻击

Enduring, Efficient and Robust Trajectory Prediction Attack in Autonomous Driving via Optimization-Driven Multi-Frame Perturbation Framework

💡 优化驱动的多帧对抗位置搜索攻击轨迹预测

🚗 增强对自动驾驶轨迹预测攻击的耐力与鲁棒性

Yi Yu · Weizhen Han · Libing Wu 等 6 人

HighlightDiffusionDrive：面向端到端自动驾驶的截断扩散模型

DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving

💡 截断扩散与级联解码器，实现实时多模态驾驶动作生成

🚗 提出端到端驾驶策略生成模型，支持实时多模态动作输出

Bencheng Liao · Shaoyu Chen · Haoran Yin 等 11 人

HighlightDriveGPT4-V2：利用大语言模型能力增强闭环自动驾驶

DriveGPT4-V2: Harnessing Large Language Model Capabilities for Enhanced Closed-Loop Autonomous Driving

💡 结合高分辨率视觉分词器与专家LLM实现闭环控制

🚗 提升多模态大模型在闭环驾驶中的决策能力与速度

Zhenhua Xu · Yan Bai · Yujia Zhang 等 8 人

HighlightSimLingo：语言-动作对齐的纯视觉闭环自动驾驶

SimLingo: Vision-Only Closed-Loop Autonomous Driving with Language-Action Alignment

💡 视觉语言模型统一驾驶与语言动作对齐

🚗 纯相机闭环驾驶，提升可解释性

Katrin Renz · Long Chen · Elahe Arani 等 4 人

02 BEV与占用感知 1 篇

HighlightBEVDiffuser：真值引导的BEV去噪扩散模型

BEVDiffuser: Plug-and-Play Diffusion Model for BEV Denoising with Ground-Truth Guidance

💡 用扩散模型对BEV特征去噪并真值引导

🚗 即插即用提升现有BEV模型下游任务性能

Xin Ye · Burhaneddin Yaman · Sheng Cheng 等 6 人

03 3D检测与多模态融合 6 篇

Oral面向恶劣天气下广义LiDAR分割的显式几何-反射率协作

Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather

💡 分离几何与反射率特征的双分支协作框架

🚗 提升恶劣天气下LiDAR语义分割的泛化能力

Longyu Yang · Ping Hu · Shangbo Yuan 等 7 人

OralTacoDepth：面向高效雷达-相机深度估计的单阶段融合

TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion

💡 单阶段融合雷达图结构，避免中间深度依赖

🚗 提升雷达相机深度估计的效率与鲁棒性

Yiran Wang · Jiaqi Li · Chaoyi Hong 等 9 人

HighlightCAP-Net：类别级关节部件的6D姿态与尺寸估计

CAP-Net: A Unified Network for 6D Pose and Size Estimation of Categorical Articulated Parts from a Single RGB-D Image

💡 单阶段RGB-D融合网络同时分割与位姿估计

🚗 提升机器人对关节物体的6D位姿估计精度

Jingshun Huang · Haitao Lin · Tianyu Wang 等 6 人

HighlightMPDrive：基于标记提示学习的自动驾驶空间理解改进

MPDrive: Improving Spatial Understanding with Marker-Based Prompt Learning for Autonomous Driving

💡 将空间坐标转为视觉标记，改善AD-VQA空间语义一致性

🚗 以标记提示学习提升自动驾驶视觉问答的空间感知与表达

Zhiyuan Zhang · Xiaofan Li · Zhihao Xu 等 7 人

HighlightSP3D：通过准确跨模态语义提示提升稀疏监督3D目标检测

SP3D: Boosting Sparsely-Supervised 3D Object Detection via Accurate Cross-Modal Semantic Prompts

💡 利用跨模态语义提示增强稀疏监督3D检测

🚗 提升稀疏标注下3D检测的判别力与鲁棒性

Shijia Zhao · Qiming Xia · Xusheng Guo 等 8 人

Highlight学习类原型用于统一稀疏监督3D目标检测

Learning Class Prototypes for Unified Sparse-Supervised 3D Object Detection

💡 用类原型和最优传输挖掘未标注物体

🚗 统一室内外稀疏监督3D检测，服务具身智能

Yun Zhu · Le Hui · Hang Yang 等 6 人

04 世界模型 2 篇

Oral导航世界模型(NWM)

Navigation World Models

💡 可控视频生成预测未来视觉观测的导航世界模型

🚗 利用无标签视频提升导航规划，支持新约束

Amir Bar · Gaoyue Zhou · Danny Tran 等 5 人

HighlightSplatFlow：神经运动流场中的自监督动态高斯溅射用于自动驾驶

SplatFlow: Self-Supervised Dynamic Gaussian Splatting in Neural Motion Flow Field for Autonomous Driving

💡 自监督动态高斯溅射学习4D运动场

🚗 无需3D框标注实现自动驾驶场景重建

Su Sun · Cheng Zhao · Zhuoyang Sun 等 5 人

05 VLA与机器人操作 5 篇

Oral从多模态大语言模型到通用具身智能体：方法与经验

From Multimodal LLMs to Generalist Embodied Agents: Methods and Lessons

💡 多体现动作分词器统一模型，结合跨域数据与在线RL

🚗 为构建通用具身智能体提供数据与算法洞见

Andrew Szot · Bogdan Mazoure · Omar Attia 等 9 人

OralPDFactor：学习三视角策略扩散场用于多任务机器人操作

PDFactor: Learning Tri-Perspective View Policy Diffusion Field for Multi-Task Robotic Manipulation

💡 三平面表示的扩散策略场建模动作分布

🚗 提升多任务机器人操作的动作精度与效率

Jingyi Tian · Le Wang · Sanping Zhou 等 7 人

Highlight从第一人称视觉中的动作描述生成6DoF物体操作轨迹

Generating 6DoF Object Manipulation Trajectories from Action Description in Egocentric Vision

💡 从大规模视频中提取操作轨迹，训练语言生成6DoF轨迹

🚗 实现根据动作描述生成物体的6DoF操作轨迹

Tomoya Yoshida · Shuhei Kurita · Taichi Nishimura 等 4 人

HighlightOmniManip：通过物体中心交互原语作为空间约束实现通用机器人操作

OmniManip: Towards General Robotic Manipulation via Object-Centric Interaction Primitives as Spatial Constraints

💡 以交互原语为空间约束，桥接VLM高层推理与底层操控

🚗 提出物体中心表示，提升机器人通用操作的空间精度与泛化

Mingjie Pan · Jiyao Zhang · Tianshu Wu 等 6 人

HighlightDexGrasp Anything：物理感知的通用灵巧抓取

DexGrasp Anything: Towards Universal Robotic Dexterous Grasping with Physics Awareness

💡 物理约束融入扩散模型生成抓取姿态

🚗 发布超340万灵巧抓取姿态的大规模数据集

Yiming Zhong · Qi Jiang · Jingyi Yu 等 4 人

06 人形与运动控制 1 篇

OralTokenHSI：通过任务标记化统一合成物理人-场景交互

TokenHSI: Unified Synthesis of Physical Human-Scene Interactions through Task Tokenization

💡 用共享本体感知标记与任务标记统一多技能策略

🚗 实现多技能人-场景交互的统一策略与知识共享

Liang Pan · Zeshi Yang · Zhiyang Dou 等 8 人

07 具身导航与空间智能 4 篇

OralRoboSpatial：为机器人教授2D和3D视觉语言模型的空间理解

RoboSpatial: Teaching Spatial Understanding to 2D and 3D Vision-Language Models for Robotics

💡 构建大规模空间理解数据集以训练视觉语言模型

🚗 增强机器人对空间参考框架的理解与交互能力

Chan Hee Song · Valts Blukis · Jonathan Tremblay 等 6 人

Highlight三维场景中的功能理解与分割

Functionality Understanding and Segmentation in 3D Scenes

💡 首个面向3D场景功能理解与分割的方法，利用语言模型推理

🚗 使具身智能体可根据任务描述定位隐含功能对象

Jaime Corsetti · Francesco Giuliari · Alice Fasoli 等 5 人

Highlight端到端训练智能体视觉导航中的推理：动力学系统方法

Reasoning in Visual Navigation of End-to-end Trained Agents: A Dynamical Systems Approach

💡 从动力学系统视角分析导航智能体推理

🚗 揭示端到端导航智能体的记忆与规划机制

Steeven Janny · Hervé Poirier · Leonid Antsfeld 等 9 人

Highlight面向真实室内空间的开词表功能3D场景图

Open-Vocabulary Functional 3D Scene Graphs for Real-World Indoor Spaces

💡 用VLM和LLM构建功能3D场景图

🚗 为机器人操作提供功能场景理解

Chenyangguang Zhang · Alexandros Delitzas · Fangjinhua Wang 等 7 人

08 定位与建图 1 篇

HighlightUGP：释放LiDAR点云配准的泛化能力

Unlocking Generalization Power in LiDAR Point Cloud Registration

💡 去交叉注意力，用渐进自注意力与BEV特征提升配准泛化

🚗 提升LiDAR点云配准在跨距离与跨数据集下的鲁棒性

Zhenxuan Zeng · Qiao Wu · Xiyu Zhang 等 8 人

09 仿真数据与评测 2 篇

Highlight通过可扩展城市仿真实现自主微移动

Towards Autonomous Micromobility through Scalable Urban Simulation

💡 提出可扩展城市仿真平台，含层级场景生成与交互动力学

🚗 为自主微移动智能体提供大规模交互式城市训练环境

Wayne Wu · Honglin He · Chaoyuan Zhang 等 8 人

HighlightRoboTwin：基于生成式数字孪生的双臂机器人基准

RoboTwin: Dual-Arm Robot Benchmark with Generative Digital Twins

💡 用3D生成模型与LLM生成双臂任务数据

🚗 构建双臂机器人数据生成与评测平台

Yao Mu · Tianxing Chen · Zanxin Chen 等 14 人

CVPR 2025自动驾驶 · 具身智能论文归档

CVPR 2025
自动驾驶 · 具身智能论文归档