端到端自动驾驶模型SparseDrive论文阅读笔记

最新推荐文章于 2025-03-17 15:27:17 发布
最新推荐文章于 2025-03-17 15:27:17 发布
阅读量635 收藏 1
点赞数 3
分类专栏： 端到端自动驾驶学习 文章标签： 论文阅读 笔记 自动驾驶 端到端自动驾驶 sparsedrive
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/li1886477130/article/details/143334850
版权

在这里插入图片描述
为了进一步的理解模型，方便对模型进行调试，对论文进行了详细的阅读，记录了相关的笔记，和论文阅读批注。
论文阅读批注连接：
https://note.youdao.com/s/VC6mDgdZ
笔记如下图：
在这里插入图片描述

清华&地平线最新开源！全任务SOTA！SparseDrive：端到端自动驾驶新范式！
计算机视觉工坊
06-29 570
传统的模块化自动驾驶系统被解耦成不同的独立任务，如感知、预测和规划，这导致跨模块的信息丢失和误差累积。相比之下，端到端范式将多任务统一到一个完全可微的框架中，允许以规划为导向的优化。尽管端到端范式具有巨大潜力，但现有方法的性能和效率并不理想，尤其是在规划安全性方面。我们认为这是由于计算成本高昂的BEV（鸟瞰图）特征和预测与规划的直接设计导致的。为此，我们探索了稀疏表示，并回顾了端到端自动驾驶的任务设计，提出了一种名为SparseDrive的新范式。
端到端论文-GraphAD-鉴智机器人
qq_58133908的博客
07-31 1089
为了进一步避免与其他道路智能体的碰撞，确保驾驶安全，我们遵循UniAD[12]的实现来训练占位头，占位头的预测可用于对预测的规划轨迹进行后优化。其中xdi (t)为预测的未来时刻t的位置，xsj(k)为预测的地图元素的第k个坐标点。ISG将交通参与者和道路元素作为图中的节点，并通过边来表示它们之间的交互关系，从而构建了一个反映交通场景动态的图模型。
清华&地平线！SparseDrive:端到端自动驾驶 论文精读
记录学习内容
07-04 4078
传统的模块化自动驾驶系统被分解为不同的独立任务，例如感知、预测和规划，这导致了信息丢失和跨模块的误差累积。相比之下，端到端范式将多任务统一到一个完全可微分的框架中，允许以规划为导向进行优化。尽管端到端范式潜力巨大，但现有方法在性能和效率方面并不令人满意，特别是在规划安全性方面。我们认为这是由于计算成本高昂的 BEV（鸟瞰图）特征和直接的预测与规划设计。为此，我们探索了稀疏表示并回顾了端到端自动驾驶的任务设计，提出了一种名为 SparseDrive 的新范式。
CVPR2025自动驾驶端到端前沿论文汇总
最新发布
二爷的博客
03-17 1259
汇总CVPR2025自动驾驶前沿论文。
论文翻译-端到端自动驾驶的多模态融合transformer
a699669的博客
12-12 1633
用于端到端自动驾驶的多模态融合transformer 摘要：如何将互补传感器的表示集成到自动驾驶中？基于几何的传感器融合已经显示出对物体检测和运动预测等感知任务的巨大希望。然而，对于实际驾驶任务，3D场景的全局上下文是关键（全局上下文是指不同对象之间的语义关系？），例如交通灯状态的变化可以影响几何上远离该交通灯的车辆的行为。因此，单独的几何可能不足以有效地融合端到端驾驶模型中的表示。在这项工作中，我们证明了基于现有传感器融合方法的模仿学习策略在高密度动态智能体和复杂场景的存在下执行不足，这需要全局上下文推理
入行端到端自动驾驶，今年必读的十篇最前沿论文
CV_Autobot的博客
08-14 4879
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享十篇端到端论文的汇总，入门自动驾驶必读！如果您有相关工作需要分享，请在文末联系我们！自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一步咨询>>点击进入→自动驾驶之心『端到端自动驾驶』技术交流群论文作者|禾呈三金编辑 | 自动驾驶之心En...
自动驾驶合集3
whaosoft143ai的博客
11-30 381
当我们观察上面的表4，会看到我们的方法Baseline（ID-10）在不使用任何ego status的信息的情况下，可以取得和UniAD(ID-2), VAD(ID-5)这些在BEV上用了ego status的，使用了额外感知，预测任务的模型差不多的效果。与之对比的是模型会过渡依赖Ego Status的信息，假如我们改变输入模型的速度，会发现模型预测的轨迹基本会按照我们输入的假的速度去走，哪怕输入图像中事实上隐式地包含了ego的真实速度。如图2所示，为了区分，将我们复现的这个网络记为Ego-MLP。
基于深度视觉注意神经网络的端到端自动驾驶模型.pdf
09-20
端到端自动驾驶模型是一种将感知输入直接映射到控制输出的方法，这类方法期望能够简化整个自动驾驶系统的设计和实现流程。在自动驾驶领域，图像识别技术扮演着至关重要的角色，尤其是卷积神经网络（CNN）在图像特征...
LMDrive: 基于大语言模型的闭环端到端自动驾驶
AI-cv-sharer
05-06 2328
论文: LMDrive: Closed-Loop End-to-End Driving with Large Language Models项目: https://hao-shao.com/projects/lmdrive.html现有的自动驾驶方法存在以下问题：适用场景局限：对常见的简单场景有效，但在长尾事件和城市复杂场景时存在挑战，易导致严重事故交互理解局限：依赖于有限格式的输入（如传感器数据和导航航点），缺乏理解语言及与人类互动的能力闭环评估缺失：先前研究大多针对特定模块进行开环评估，缺乏闭环评测（如
2024端到端自动驾驶行业发展及技术落地报告
10-23
内容概要：本文档详细分析了2023年以来端到端自动驾驶行业的迅速发展，涵盖了行业共识、技术定义、玩家分析、发展驱动力、落地挑战以及未来展望等内容。文中介绍了多项关键技术，如UniAD、DriveDreamer、GAIA-1等，...
电子电气架构 - AI赋能整车产品领域的端到端自动驾驶系统
03-16
主要内容包括：1) 自动驾驶算法发展趋势，从基于规则转为数据驱动的端到端大模型；2) 端到端自动驾驶大模型带来的算法架构简化和性能提升；3) 数据处理与云端算力面临的挑战及应对策略，特别是算力供应和数据处理...
一篇关于自动驾驶的论文
06-27
一篇关于自动驾驶的论文，上传上来和大家一起分享。。。
【论文精读】SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation
eepii的博客
07-17 1715
团队：清华大学，地平线投稿会议：暂时未知，挂在rxiv代码链接：https://github.com/swc-17/SparseDrive开环测试数据集：nuScenes。
SparseDrive 论文学习
calvinpaean的博客
11-11 1171
UniAD 提出了一个统一的查询设计，将多项任务整合为一个目标导向的模型，在感知、预测和规划任务上都取得了优异的表现。但是，之前的方法主要关注在场景学习，它们直接做预测和规划，没有充分地考虑这俩任务之间的相似性，极大制约了模型的性能。但是，在表现和效率方面，现有的方案都不太令人满意。有了运动预测的结果后，我们可以评估每条规划轨迹的碰撞风险，对于高碰撞风险的轨迹，我们降低这条轨迹的得分。虽然在以前的方法中，自车的特征通常是随机初始化的，但本文作者认为为了做规划，自车特征应该需要丰富的语义和几何信息。
SparseDrive 代码环境配置和调试跑通
m0_60857098的博客
10-17 2195
请注意，我们还在data_converter中生成map_annos，默认roi_size为（30,60），如果你想要一个不同的范围，你可以在tools/data_converter/nuscenes_converter.py中修改roi_sze。pip install mmcv_full-1.7.1-cp38-cp38-manylinux1_x86_64.whl（特别注意，要去下载cu116的mmcv-full!生成的锚点保存到data/kmeans中，可以在vis/kmeans中将其可视化。
SparseDrive：通过稀疏场景表示实现端到端自动驾驶
yorkhunter的博客
01-24 1000
24年5月来自清华和地平线的论文“SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation”。 成熟的模块化自动驾驶系统被分解为不同的独立任务，例如感知、预测和规划，这些任务在模块之间会遭受信息丢失和错误积累。相比之下，端到端范式将多任务统一到一个完全可微的框架中，从而可以以规划为导向进行优化。尽管端到端范式具有巨大潜力，但现有方法的性能和效率都不令人满意，特别是在规划安全方面。其归因于计算成本高昂的 BEV（鸟瞰
端到端的自动驾驶论文与代码整理
My_Communication的博客
08-15 450
Learning by Cheating github code arxiv paper conference on robot learning 最新进展 (May 2021) Checkout our latest follow-up work: World on Rails (2020) Checkout our submission to the 2020 CARLA Challenge! pass
SparseDrive：基于稀疏场景表示的端到端自动驾驶系统
gitblog_00536的博客
09-12 744
SparseDrive：基于稀疏场景表示的端到端自动驾驶系统 SparseDrive 项目地址: https://gitcode.com/gh_mirrors/sp/SparseDrive ...
【论文精读】VLM-AD：通过视觉-语言模型监督实现端到端自动驾驶
记录学习内容
02-21 1538
人类驾驶员依赖常识推理来应对复杂多变的真实世界驾驶场景。现有的端到端（E2E）自动驾驶（AD）模型通常被优化以模仿数据中观察到的驾驶模式，但未能捕捉到背后的推理过程。这种限制使得它们在处理具有挑战性的驾驶场景时能力受限。为了弥合这一差距，我们提出了VLM-AD，一种利用视觉语言模型（VLMs）作为教师来增强训练的方法，通过提供额外的监督信号，将非结构化的推理信息和结构化的动作标签融入训练中。这种监督能够增强模型学习更丰富的特征表示的能力，从而捕捉驾驶模式背后的逻辑。
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