（转）Autonomous_Vehicle_Paper_Reading_List

最新推荐文章于 2023-06-14 14:07:10 发布
最新推荐文章于 2023-06-14 14:07:10 发布
阅读量515 收藏 1
点赞数
文章标签： 人工智能
原文链接：http://www.cnblogs.com/wangxiaocvpr/p/9334444.html
版权

Autonomous_Vehicle_Paper_Reading_List 

2018-07-19 10:40:08 

 

Reference：https://github.com/ZRZheng/Autonomous_Vehicle_Paper_Reading_List

A collection of papers focus on self-driving car. Many topics are covered including system architecture,computer vison, sensor fusion,planning&control and SLAM. The paper list will be timely updated. 

 

 

 

System architecture

  • Junior: The Stanford Entry in the Urban Challenge [pdf]
  • Towards Fully Autonomous Driving: Systems and Algorithms [pdf]
  • Autonomous Driving in Urban Environments: Boss and the Urban Challenge [pdf]
  • A Perception-Driven Autonomous Urban Vehicle [pdf]
  • Making Bertha Drive—An Autonomous Journey on a Historic Route [pdf]
  • Towards Full Automated Drive in Urban Environments:A Demonstration in GoMentum Station, California [pdf]

Computer vision

  • Computer Vision for Autonomous Vehicles:Problems, Datasets and State-of-the-Art [pdf]
  • Video Scene Parsing with Predictive Feature Learning[pdf]
  • Unsupervised Monocular Depth Estimation with Left-Right Consistency [pdf]
  • Learning a Driving Simulator [pdf]
  • Deep Tracking:Seeing Beyond Seeing Using Recurrent Neural Networks [pdf]
  • End-to-End Tracking and Semantic Segmentation Using Recurrent Neural Networks [pdf]
  • Deep Tracking on the Move: Learning to Track the World from a Moving Vehicle using Recurrent Neural Networks [pdf]
  • Deep MANTA: A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle analysis from monocular image    [pdf]
  • 3D Object Proposals using Stereo Imagery for Accurate Object Class Detection [pdf]
  • On the Sample Complexity of End-to-end Training vs. Semantic Abstraction Training [pdf]
  • End to End Learning for Self-Driving Cars [pdf]
  • Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car [pdf]
  • DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving [pdf]
  • End-to-end Learning of Driving Models from Large-scale Video Datasets [pdf]
  • Fully Convolutional Networks for Semantic Segmentation [pdf]
  • SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation[pdf]
  • Feature Pyramid Networks for Object Detection[pdf]
  • Mask R-CNN [pdf]
  • Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[pdf]
  • Fast R-CNN [pdf]
  • You Only Look Once:Unified, Real-Time Object Detection [pdf]
  • YOLO9000: Better,Faster, Stronger  [pdf]
  • SSD: Single Shot MultiBox Detector [pdf]
  • R-FCN: Object Detection via Region-based Fully Convolutional Networks [pdf]
  • Predicting Deeper into the Future of Semantic Segmentation [pdf]
  • Geometry-Based Next Frame Prediction from Monocular Video [pdf]
  • Long-term Recurrent Convolutional Networks for Visual Recognition and Description [pdf]
  • MultiNet: Real-time Joint Semantic Reasoning for Autonomous Driving [pdf]
  • Beyond Skip Connections: Top-Down Modulation for Object Detection [pdf]
  • Traffic Sign Recognition with Multi-Scale Convolutional Networks [pdf]
  • Can we unify monocular detectors for autonomous driving by using the pixel-wise semantic segmentation of CNNs? [pdf]
  • Pyramid Scene Parsing Network  [pdf]
  • Brain Inspired Cognitive Model with Attention for Self-Driving Cars [pdf]
  • Image-to-Image Translation with Conditional Adversarial Networks [pdf]
  • Unsupervised Image-to-Image Translation Networks [pdf]
  • A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection[pdf]
  • Exploit All the Layers: Fast and Accurate CNN Object Detector with Scale Dependent Pooling and Cascaded Rejection Classifiers [pdf]
  • Multi-Class Multi-Object Tracking using Changing Point Detection[pdf]
  • Subcategory-aware Convolutional Neural Networks for Object Proposals and Detection[pdf]
  • Overview of Environment Perception for Intelligent Vehicles[pdf]
  • An Empirical Evaluation of Deep Learning on Highway Driving [pdf]
  • Histograms of Oriented Gradients for Human Detection [pdf]

Sensor fusion

  • LIDAR-based Driving Path Generation Using Fully Convolutional Neural Networks [pdf]
  • A vision-centered multi-sensor fusing approach to self-localization and obstacle perception for robotic cars [pdf]
  • Brain4Cars: Car That Knows Before You Do via Sensory-Fusion Deep Learning Architecture [pdf]
  • Multi-View 3D Object Detection Network for Autonomous Driving [pdf]
  • VINet: Visual-Inertial Odometry as a Sequence-to-Sequence Learning Problem [pdf]
  • Vehicle Detection from 3D Lidar Using Fully Convolutional Network[pdf]
  • Detecting Drivable Area for Self-driving Cars:An Unsupervised Approach [pdf]

Motion planning & Reinforcement learning

  • A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehicles[pdf]
  • A Review of Motion Planning Techniques for Automated Vehicles [pdf]
  • Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions [pdf]
  • A survey on motion prediction and risk assessment for intelligent vehicles [pdf]
  • End-to-End Deep Reinforcement Learning for Lane Keeping Assist [pdf]
  • Deep Reinforcement Learning framework for Autonomous Driving [pdf]
  • Continuous control with deep reinforcement learning [pdf]
  • Learning to Drive using Inverse Reinforcement Learning and Deep Q-Networks [pdf]
  • Long-term Planning by Short-term Prediction [pdf]
  • Safe,Multi-Agent, Reinforcement Learning for Autonomous Driving [pdf]
  • Large-scale cost function learning for path planning using deep inverse reinforcement learning [pdf]
  • Human-like Planning of Swerve Maneuvers for Autonomous Vehicles [pdf]
  • Virtual to Real Reinforcement Learning for Autonomous Driving [pdf]
  • Learning End-to-end Multimodal Sensor Policies for Autonomous Navigation [pdf]
  • A Fast Integrated Planning and Control Framework for Autonomous Driving via Imitation Learning [pdf]
  • Navigating Intersections with Autonomous Vehicles using Deep Reinforcement Learning [pdf]
  • Characterizing Driving Styles with Deep Learning [pdf]
  • Learning Where to Attend Like a Human Driver [pdf]
  • Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network [pdf]

SLAM

  • Past, Present, and Future of Simultaneous ocalization and Mapping: Toward theRobust-PerceptionAge [pdf]
  • Learning from Maps: Visual Common Sense for Autonomous Driving [pdf]
  • A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles [pdf]
  • Image-based localization using LSTMs for structured feature correlation [pdf]
  • PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization[pdf]

转载于:https://www.cnblogs.com/wangxiaocvpr/p/9334444.html

a1424262219
关注
Paper Reading List (By Jun. 2019)
一个专业的读书分享博客（误，现在目测是年更）
07-04 571
P.S. 一个文献阅读记录 引用的部分是文章摘要 mainly physics area by Jun.2019 涉及quantum heat engine & meta surface and optics 后面三篇金融学的论文是乱入的， 只是一门选修课的阅读记录 文章目录2018Nov. to Dec.PhysRevE.94.042135PhysRevA.91.0238162019Ja...
【Self-Driving】自动驾驶江湖 Autonomous Vehicle Players
北境の守望者
09-19 908
Backto Self-Driving Index 文章目录巨头Waymo / GoogleMobileye / Intel百度新星Momenta图森未来roadstar.aipony.ai地平线高精地图宽凳科技DeepMotionInfoNews仿真平台Ref 巨头 Waymo / Google Mobileye / Intel 百度 新星 Momenta 图森未来 roadstar.ai...
Paper Reading-list
life_86的博客
03-21 768
Super-Resolution Aligned Structured Sparsity Learning for Efficient Image Super-Resolution (NeurIPS2021) (Pruning, Align ResBlock) Collapsible Linear Blocks for Super-Efficient Super Resolution (arXiv2021) (Reparameter, Gradient update of Reparameter, te
Autonomous vehicle course project
jaz的专栏
04-23 509
CU-ICAR course Target: RC vehicle with two cameras, one is for lane keeping ,another for road signs dection with CNN. You can use two computers to dispose the image and use WIFI to communicate with ...
Autonomous Vehicle 仿真平台汇总
一米阳光
05-25 2896
写在前面 Type 1 虚拟数据 Gazebo Euro Truck Simulator 2 (卡车游戏) The Open Racing Car Simulator（赛车游戏） Type 2 真实数据 写在前面 无人驾驶汽车真实上路后所要面临的外部环境是复杂多变的。通过利用仿真模拟软件可以检查算法，也可以训练无人车面对不同场景下的感知、决策等算法。 &n...
自动驾驶最全基础知识、课程、论文、数据集、开源软件等资源整理分享
lqfarmer的博客
10-14 1601
自动驾驶汽车（Autonomous vehicles）又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。本文整理了自动驾驶相关的各种资源，包含自动驾驶基础知识点、免费课程、经典论文、研究实验室、公开数据集、开源软件、公司等资源，分享给需要的朋友，需要自取。
ICCV2017论文摘要汇总
super_chicken的博客
04-18 6842
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
Development of path planning, controls and Gazebo simulation for autonomous parking
Simon_Zeng525的博客
01-31 2445
1.0) Background Information Automatic parking or called as autonomous parking is a car manoeuvring system that move a car from traffic lane into parking slot autonomously, but some car still required ...
Vehicle Detection from 3D Lidar Using Fully Convolutional Network解析(3D-CNN模型)
hit1524468的专栏
04-20 4890
1. 概述该论文的主要工作是，在只利用激光雷达的点云数据作为输入，在点云数据中进行类型为”车辆”的目标进行检测(在复现该算法过程中，存在一个比较显然的现象就是：目标所在的的位置，实际上垂直角一般都很小，在进行映射映射前后容易产生误差，这种误差对于远的目标的定位会有非常明显的影响；或者是是我理解有问题吗？ -2018-04-25)。2. 方法2.1 数据预处理将激光雷达扫描获取的3维点进行映射，其中...
经典文献阅读之--A Review of Motion Planning（轨迹规划回顾）
热门推荐
lovely_yoshino的博客
06-14 1万+
对于自动驾驶以及机器人而言，除了SLAM以外，另一个比较重要的部分就是轨迹规划了。而最近作者看到了几篇比较好的文章，分别为《》、《》、《》这里就结合各个文章阐述的要点给各位对轨迹规划进行科普，以便了解未来几年需要解决的差距和挑战。
Gonzalez-2016-A-review-of-motion-planning-techniq.pdf
07-20
2016年一篇有关自动驾驶运动规划的文章：A Review of Motion Planning Techniques for Automated Vehicles。
强化学习——Qlearning
风翼冰舟的博客
10-27 2425
前言 在控制决策领域里面强化学习还是占很重比例的，最近出了几篇角色控制的论文需要研究，其中部分涉及到强化学习，都有开源，有兴趣可以点开看看： A Deep Learning Framework For Character Motion Synthesis and Editing Phase-Functioned Neural Networks for Character Control Terra...
Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning
weixin_45544836的博客
07-29 1221
Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning 采用深度强化学习的自主车辆的决策支持策略 摘要：汽车自动驾驶技术是减少交通事故、提高驾驶效率的一种很有前途的技术。本研究以深度强化学习（DRL）为工具，针对自动驾驶车辆在高速公路上的超车行为，建立了一个基于深度强化学习（DRL）的决策策略。首先，建立了一个高速公路驾驶环境，其中ego车辆的目标是以高效和安全...
基于vehical检测的3D FCN 深度网络
3D视觉工坊
08-24 1852
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：简单一点| 来源：知乎https://zhuanlan.zhihu.com/p/144336687本文仅做学术分享，如有侵权...
自动驾驶汽车运动规划技术回顾——PDF版本
摸着石头撑船
12-21 1926
英文：A Review of Motion Planning Techniques for Automated Vehicless 中文：《自动驾驶汽车运动规划技术回顾》 (Chinese) González D, Pérez J, Milanés V, et al. A Review of Motion Planning Techniques for Automated Vehicless[J]...
A Review of Motion Planning Techniques for Automated Vehicles论文核心提取
肥嘟嘟的左卫门
01-26 449
自动驾驶体系结构 常见规划算法概述 常见规划算法优缺点对比
self_drive car_学习笔记--第10课：路径规划
qq_45701501的博客
03-24 9246
前言：这节课围绕无人车的路径规划开讲，包含规划时采用的一些算法思路、一些规划方式，最后以Apollo项目规划部分为例子，介绍一下其中所使用的一些规划算法以及方式。很菜现在，有些理解错误地方，还望大大们不吝赐教。觉得写得还行，麻烦赏个赞哈。好了，不废话，开始主题。 概要： 1 什么是规划 2 传统的规划方法 3无人车的规划 4Apollo如何求解规划问题 1 什么是规划 1）规划planning目前是无人车最困难也最有挑战的部分 1.1 规划的本质 1）求解：argminf(x) 获取最小值就是规划；f 可
oracle PRAGMA AUTONOMOUS_TRANSACTION
最新发布
02-26
<think>好的，用户现在要了解Oracle的PRAGMA AUTONOMOUS_TRANSACTION。我需要先回顾一下这个知识点的基本内容，确保自己理解正确。 首先，PRAGMA AUTONOMOUS_TRANSACTION是Oracle中用来声明自治事务的编译指令。自治事务的主要特点是独立于主事务，可以单独提交或回滚，不影响主事务的状态。这在某些特定场景下非常有用，比如需要在触发器中执行DML操作并提交，而不影响主事务的提交或回滚。 用户可能是一位开发人员或者DBA，他们在实际开发中遇到了需要独立事务的情况，比如日志记录。这时候使用自治事务可以避免主事务的锁竞争或者保持日志的独立性。需要确定用户的使用场景，才能给出更具体的建议。 接下来要组织回答的结构，先解释基本概念，然后说明工作原理，接着是使用场景，最后给出示例代码。这样用户能逐步理解。同时要提醒注意事项，比如自治事务的隔离性、资源占用和DDL限制，避免用户误用。 可能用户在使用触发器或存储过程时遇到了事务处理的问题，比如在触发器中无法提交导致主事务被影响，这时候自治事务就派上用场。需要确保用户明白自治事务和主事务的独立性，提交自治事务不会影响主事务的状态。 另外，要检查示例代码是否正确，特别是PRAGMA的位置，必须是在存储过程、函数或触发器的声明部分。比如在存储过程中使用AUTONOMOUS_TRANSACTION，确保代码示例准确无误。 用户可能的深层需求是希望了解如何在Oracle中处理需要独立提交的事务，避免事务之间的相互影响。因此，除了基本介绍，还需要强调适用场景和注意事项，帮助他们正确应用。 最后，总结自治事务的优缺点，帮助用户权衡是否在特定情况下使用。比如虽然自治事务提供了独立性，但过度使用可能增加复杂性和资源消耗，需要合理评估。</think>在 Oracle 数据库中，`PRAGMA AUTONOMOUS_TRANSACTION` 是一个编译指令（编译指示），用于声明一个**自治事务**（Autonomous Transaction）。自治事务是一个独立于主事务的子事务，允许在代码块（如存储过程、函数、触发器等）中执行独立的数据库操作（提交或回滚），而不会影响主事务的状态。 --- ### **核心概念** 1. **自治事务的特性**： - **独立性**：自治事务与主事务完全隔离。即使主事务回滚，自治事务的提交操作仍然有效，反之亦然。 - **提交/回滚自主性**：自治事务必须显式提交（`COMMIT`）或回滚（`ROLLBACK`），否则会引发错误。 - **用途**：常用于日志记录、审计、错误处理等场景，需保证某些操作不受主事务结果的影响。 2. **语法**： 在声明存储过程、函数、触发器或匿名块时，添加以下指令： ```sql PRAGMA AUTONOMOUS_TRANSACTION; ``` --- ### **工作原理** - **主事务**和**自治事务**各自维护独立的事务上下文。 - 自治事务的提交仅影响自身操作，主事务的提交或回滚对自治事务无影响。 ![自治事务示意图](https://img-blog.csdnimg.cn/20201202145717657.png) --- ### **使用场景** 1. **触发器中的独立操作** 例如：在触发器中记录日志，即使主事务回滚，日志仍需保留。 ```sql CREATE OR REPLACE TRIGGER log_audit_trigger AFTER INSERT ON employees FOR EACH ROW DECLARE PRAGMA AUTONOMOUS_TRANSACTION; BEGIN INSERT INTO audit_log (action, timestamp) VALUES ('New employee added', SYSTIMESTAMP); COMMIT; -- 必须显式提交 END; ``` 2. **存储过程/函数中的独立事务** 例如：在存储过程中记录错误信息，不受主事务结果影响。 ```sql CREATE OR REPLACE PROCEDURE log_error (p_message VARCHAR2) AS PRAGMA AUTONOMOUS_TRANSACTION; BEGIN INSERT INTO error_log (message, log_time) VALUES (p_message, SYSTIMESTAMP); COMMIT; -- 显式提交 END; ``` 3. **递归调用中的事务控制** 避免主事务与嵌套事务之间的锁冲突。 --- ### **注意事项** 1. **显式提交/回滚** 自治事务必须包含 `COMMIT` 或 `ROLLBACK`，否则会报错：`ORA-06519: 检测到活动自治事务，已回退`。 2. **资源隔离性** 自治事务无法直接访问主事务的未提交数据（如未提交的 DML 变更），因为它们在独立的事务上下文中运行。 3. **DDL 操作限制** 在自治事务中执行 DDL（如 `CREATE TABLE`）会隐式提交，可能影响事务逻辑。 4. **性能影响** 频繁创建自治事务会增加数据库资源开销，需合理评估使用场景。 --- ### **示例代码** ```sql -- 自治事务的存储过程示例 CREATE OR REPLACE PROCEDURE autonomous_demo AS PRAGMA AUTONOMOUS_TRANSACTION; BEGIN INSERT INTO test_table (id, name) VALUES (1, 'Autonomous Data'); COMMIT; -- 必须显式提交 END; / -- 主事务中调用自治事务 BEGIN INSERT INTO test_table (id, name) VALUES (2, 'Main Data'); autonomous_demo(); -- 自治事务提交，主事务未提交 ROLLBACK; -- 主事务回滚，但自治事务的数据仍保留 END; ``` --- ### **总结** `PRAGMA AUTONOMOUS_TRANSACTION` 是 Oracle 中实现事务隔离的强有力工具，适用于需独立提交的子操作场景。合理使用可提升灵活性和可靠性，但需注意事务边界和资源管理。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值