近日，國際頂級人工智能會議ICLR 2026（International Conference on Learning Representations，國際表征學習大會）公布論文接收結果。西井科技攜手同濟大學長聘教授、上海創智學院全時導師陳廣，共有3篇人工智能研究成果被大會正式錄用。作為全球人工智能領域最具影響力的學術會議之一，ICLR 致力于推動深度學習與表征學習的前沿突破。此次三篇論文同時入選，不僅彰顯西井科技在基礎研究方面的深厚積累，也標志著公司與同濟大學在人工智能“產學研”深度融合上再獲重要成果。

此次入選的三篇論文分別聚焦于大場景三維重建、多智能體協同視覺導航、開放環境下的點云語義分割三大前沿方向。這些成果緊密圍繞大規模環境建模、多智能體協同規劃與開放場景感知等核心挑戰，不僅推動了學術前沿，也為西井科技下一代自動駕駛系統在港口、機場、工廠、園區等典型復雜真實環境中的落地提供了重要支撐。

論文一：面向大規模場景重建的信號結構感知高斯潑濺技術

Signal Structure-Aware Gaussian Splatting for Large-Scale Scene Reconstruction

高斯潑濺（Gaussian Splatting）在新視角合成任務中展現了顯著潛力。與小規模場景相比，大規模場景不可避免地包含觀測稀疏區域，其初始點云往往極度稀疏。在這種情況下，若直接利用高頻圖像對由低頻稀疏點初始化的高斯基元進行監督，容易引發失控的密化過程并生成大量冗余基元，從而同時損害訓練效率與重建質量。

我們從信號恢復的角度重新審視三維重建的過程，場景的訓練調度可總結為如下方式：一是通過控制高斯密化過程來調節目標信號頻率，二是通過調整圖像分辨率來調節采樣頻率。然而，現有調度方法大多采用硬編碼規則，難以感知并自適應場景頻率的收斂行為。為此，我們從信號結構恢復的視角重新審視場景重建問題，提出了一種新的調度器 SIG（Synchronizing Image supervision with Gaussian frequencies），用于實現圖像監督與高斯頻率的動態同步。具體而言，我們推導了三維表示的平均采樣頻率與帶寬，并據此根據場景頻率的收斂狀態自適應地調節訓練圖像分辨率與高斯密化進程。

此外，我們引入了球約束高斯（Sphere-Constrained Gaussians），利用初始化點云的空間先驗對高斯優化過程進行有效約束。該框架實現了頻率一致、具備幾何感知且無漂浮偽影的訓練過程，在大規模場景中在效率與渲染質量兩方面均以顯著優勢達到了當前最先進水平。

論文二：協作長視程視覺語言導航基準CoNavBench

CoNavBench: Collaborative Long-Horizon Vision-Language Navigation Benchmark

視覺語言導航（VLN）目前主要集中于以單智能體為中心的方法，通過逐步執行人類指令來完成任務。然而，在需求密集或存在并行工作流的真實環境中，協作式 VLN 展現了顯著優勢，能通過并行處理和角色分工縮短完工時間并增強系統魯棒性。與此同時，協作式 VLN 也引入了單智能體模型所忽視的新挑戰，如擁堵、交接錯誤以及匯合時機把控。

鑒于現有數據集和評估協議仍以單智能體為中心，忽略了協作輔助的機會與機器人間的干擾，我們提出了協作式長航程 VLN 基準（CoNavBench）。該基準包含 4048 個具有圖級標注的單體與協作任務序列，并定義了一套控制交接風格與匯合模式的協作分類法。為了實現大規模的數據生成與評估，我們構建了自動化圖結構生成平臺 NavCraft，采用兩階段分層架構來規劃任務、分配子目標并驗證交接點。智能體在基于 Habitat-Sim 的場景圖閉環中運行，支持可達性檢測、耗時預估等，并能通過效率工具庫進行調度迭代。作為參考，我們基于 Qwen2.5-VL-3B 微調協作基線模型。實驗證明，在 CoNavBench 上訓練的協作策略在任務效率和可靠性上均優于單機器人，提升單機器人在 step-level 任務成功率約 18.11% 。

論文三：用于點云開集測試時自適應的幾何引導分布外建模方法GOOD

GOOD: Geometry-guided Out-of-Distribution Modeling for Open-set Test-time Adaptation in Point Cloud Semantic Segmentation

開集測試時自適應（OSTTA）目前主要集中于 2D 圖像領域，旨在解決在線模型優化與開放場景識別的挑戰。然而，在 3D 點云語義分割的真實環境中，點云數據的無序性與已知（ID）及未知（OOD）樣本間的極度失衡帶來了顯著困難，導致現有方法難以捕捉幾何先驗且易誤判稀疏的 OOD 實例 。

鑒于現有技術在處理 OOD 樣本稀疏甚至缺失時的局限性，我們提出了幾何引導的離群分布建模（GOOD）框架。該框架利用幾何聚類將點云轉化為超點以緩解數值差異，并定義了一套結合純度與熵的置信度指標配合高斯混合模型進行初步篩選。為了增強判別魯棒性，我們構建了超點 ID 原型策略與時間偽標簽分支，通過原型細化與時序一致性約束來生成可靠的監督信號。實驗證明，GOOD 在四個基準數據集上的表現均優于現有方法，特別是在 Synth4D 到 SemanticKITTI 任務中，其 AUROC 和 FPR95 分別提升了 8.99% 與 7.91% 。

作為深耕AI和智慧物流領域的科創企業，西井科技積累了豐富的多場景產業應用經驗；而同濟大學作為國內智能交通領域的頂尖高校，在人才培養、基礎研究方面擁有得天獨厚的優勢，能夠為產業創新提供源源不斷的技術支撐與人才供給。未來，西井科技將繼續與同濟大學等高校持續深化合作，進一步推動更多前沿技術從實驗室走向產業一線，賦能海港、空港、工廠、園區等場景的智能化升級，激活新質生產力，共繪高質量發展新藍圖！