CVPR2025轨迹预测相关论文以及自动驾驶端到端相关论文

最新推荐文章于 2025-04-25 18:05:19 发布
最新推荐文章于 2025-04-25 18:05:19 发布
阅读量1.7k 收藏 23
点赞数 25
文章标签： 自动驾驶 人工智能 机器学习
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/u010062386/article/details/146171383
版权

CVPR2025

1、基于自动驾驶的轨迹预测相关论文：

  1. Leveraging SD Map to Augment HD Map-based Trajectory Prediction
  2. ModeSeq: Taming Sparse Multimodal Motion Prediction with Sequential Mode Modeling
  3. Adapting to Observation Length of Trajectory Prediction via Contrastive Learning
  4. From Sparse Signal to Smooth Motion: Real-Time Motion Generation with Rolling Prediction Models
  5. Physical Plausibility-aware Trajectory Prediction via Locomotion Embodiment
  6. Towards Generalizable Trajectory Prediction using Dual-Level Representation Learning and Adaptive Prompting
  7. Multiple Object Tracking as ID Prediction
  8. Enduring, Efficient and Robust Trajectory Prediction Attack in Autonomous Driving via Optimization-Driven Multi-Frame Perturbation Framework
  9. Tra-MoE: Learning Trajectory Prediction Model from Multiple Domains for Adaptive Policy Conditioning
  10. Poly-Autoregressive Prediction for Modeling Interactions

2、基于端到端自动驾驶相关论文

  1. Bridging Past and Future: End-to-End Autonomous Driving with Historical Prediction and Planning
  2. DriveGPT4-V2: Harnessing Large Language Model Capabilities for Enhanced Closed-Loop Autonomous Driving
  3. Distilling Multi-modal Large Language Models for Autonomous Driving
  4. MPDrive: Improving Spatial Understanding with Marker-Based Prompt Learning for Autonomous Driving
  5. DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving
  6. CarPlanner: Consistent Auto-regressive Trajectory Planning for Large-Scale Reinforcement Learning in Autonomous Driving
  7. Don’t Shake the Wheel: Momentum-Aware Planning in End-to-End Autonomous Driving
  8. GoalFlow: Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving
  9. SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving
raining7989
关注
CVPR 2024中的自动驾驶相关论文精选解读
AI天才研究院
10-13 1290
文章标题 《CVPR 2024中的自动驾驶相关论文精选解读》 文章关键词 CVPR 2024 自动驾驶 深度学习 感知系统 决策与控制 安全性与可靠性
51-29 CVPR 2024 | BEV-Planner：开环端到端自动驾驶中自车状态是你所需要的一切吗？
AIgraphX
03-13 1271
​今天要精读的论文是来自NVIDA和南京大学的工作。蛮幸运的，该论文提出了很多思考，证明了很多最优paper在落地上车方面的无效性。读后最大的收获是咱们对待新方法要谨慎，进一步，该方法能否成为自动驾驶的最佳实践更要审慎。
CVPR2024自动驾驶轨迹预测方向的论文整理
u010062386的专栏
07-05 5123
提出针对在线地图不确定性带给轨迹预测的影响对应的解决方案。在轨迹预测中，利用在线地图不确定性是一个重要的课题。随着位置数据的增加和地图更新的频率加快，准确地处理这些不确定性变得至关重要。通过这些步骤，我们可以有效地利用在线地图的不确定性来提高轨迹预测的准确性。
轨迹预测Physical Plausibility-aware Trajectory Prediction via Locomotion Embodiment
Qing__er的博客
04-07 283
4）方法：为了解决这一问题，提出了“Locomotion Embodiment”框架，该框架通过物理学法则下的运动生成，显式评估预测轨迹的物理合理性。具体来说，采用不可微分的物理模拟器学习运动的合理性，但在训练过程中，使用可微分的“Locomotion Value”函数来驱动数据驱动的轨迹预测网络。3）背景：人类能够仅凭瞬时观察到的人体姿态信息预测未来的运动轨迹。5）结果：实验结果表明，该方法显著提升了现有最先进的轨迹预测方法的表现，并且在多个数据集和问题设置下均表现出了优越的性能。
CVPR 2025 | 多视角视觉目标跟踪新突破！MITracker：高效融合多视角特征，解决遮挡与目标丢失问题！...
3D视觉工坊
03-06 692
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：CVer添加小助理：cv3d001，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。扫描下方二维码，加入「3D视觉从入门到精通」知识星球(点开有惊喜)，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门秘制视频课程、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目...
CVPR2025论文解析|Multiple Object Tracking as ID Prediction-water-merged
SJ_HP的博客
03-10 553
本文提出了一种新的多目标跟踪（MOT）方法，称为MOTIP，将目标关联任务视为一个端到端的身份预测问题。传统的基于检测的跟踪方法将跟踪过程分为目标检测和关联两个部分，依赖于手工设计的启发式算法，导致在复杂场景中需要繁琐的手动修改。MOTIP通过将目标嵌入与历史轨迹信息结合，直接预测当前帧中对象的ID标签，从而简化了跟踪流程。实验结果表明，MOTIP在复杂场景（如DanceTrack和SportsMOT）中表现出色，并在MOT17数据集上与其他基于Transformer的方法具有竞争力。
CVPR2025自动驾驶端到端前沿论文汇总
二爷的博客
03-17 1261
汇总CVPR2025自动驾驶前沿论文。
作为ID预测的多目标跟踪
qq_53324833的博客
05-22 1556
在多目标跟踪( Multiple Object Tracking，MOT )中，基于检测的跟踪方法经受了长时间的考验，该方法根据定义将跟踪过程分为两个部分：目标检测和目标关联。他们利用鲁棒的单帧检测器，通过手工设计的启发式算法和代理任务将对象关联作为后处理步骤。然而，启发式技术的本质阻止了对训练数据的端到端利用，导致在面对复杂或新颖的场景时，人工修改变得越来越繁琐和具有挑战性。在本文中，我们将这个物体关联任务看作是一个End - to - End的语境ID预测问题，并提出了一个精简的基线，称为MOTIP。
BridgeAD(还没看懂)
qq_35975367的博客
03-22 155
BridgeAD框架如图2所示，包含三个主要组件：图像编码器、历史增强感知模块和历史增强运动规划模块。随后，历史增强感知模块通过稀疏方法执行3D目标检测、跟踪和在线矢量化地图构建，并通过历史Mot2Det融合模块整合历史信息。最后，历史增强运动规划模块由历史增强运动预测模块、历史增强规划模块和步骤级Mot2Plan交互模块组成，利用历史数据生成运动预测和规划输出。当前的端到端方法大多源于检测方法 [28, 34, 51]，采用类似的范式利用时间信息来提高性能。我们采用稀疏范式 [34, 47, 51]
CVPR24冠军揭秘：告别单一轨迹，Hydra-MDP引领端到端自动驾驶规划新航向
soaring_casia的专栏
07-18 2516
Hydra-MDP在NAVSIM数据集上达到了最先进的规划性能。
端到端自动驾驶新突破：Nvidia提出全并行PARA-Drive，入选CVPR24！
soaring_casia的专栏
07-08 2400
尽管本研究前景广阔，但目前的结果仅限于开环设置，为此作者正在努力将实验扩展到模拟闭环设置。
【cvpr2025】BridgeAD-Bridging Past and Future: End-to-End Autonomous Driving with Historical
最新发布
zisuina_2的博客
04-25 733
E2E
2025端到端自动驾驶前瞻：30+技术文章汇总！开卷端到端2.0时代～
CV_Autobot的博客
02-27 481
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个方向学习路线随着科技浪潮推动自动驾驶迈向新高度，端到端自动驾驶技术不断涌现创新成果。在此，我们深入剖析 30 项关键技术，融合学术深度与市场潜力，为您呈现一幅全面且极具吸引力的自动驾驶技术全景图，开启智能交通新时代的探索之旅。本文内容均出自『自动驾驶之心知识星球』，欢迎加入交流，这里已经汇聚了近4000名自动驾驶从业人员，...
多目标跟踪（Multi-Object-Tracking）入门
热门推荐
哆啦A梦爱学习的博客
10-20 1万+
点击上方“码农的后花园”，选择“星标”公众号精选文章，第一时间送达目标跟踪(Object-Tracking)问题是目前深度学习中研究的热点问题，主要用在安防监控和自动驾驶上，其中目标跟踪...
CVPR 2025 论文和开源项目合集 | CVer-Papers-with-Code
qq_53826699的博客
03-13 1万+
欢迎各位大佬提交issue，分享CVPR 2025论文和开源项目！
多目标跟踪MOT(Multiple Object Tracking)-----------------------所有你想要的都在里面
dnnjhh的博客
01-05 1913
多目标跟踪（MOT，Multiple Object Tracking）是计算机视觉领域中的一个重要任务，旨在从视频流或一系列连续的图像中，跟踪多个目标物体并为每个目标分配一个唯一的身份（ID），同时在整个视频中保持一致性。MOT广泛应用于自动驾驶、视频监控、运动分析等领域，尤其在处理动态环境中的复杂场景时，面临着大量挑战，如目标遮挡、目标交叉、误检、丢失目标等。
CVPR 2025｜MomAD：动量感知规划的端到端自动驾驶
阿木寺的博客
04-14 504
具体而言，在nuScenes数据集中，与SparseDrive相比，MomAD在4秒、5秒和6秒的L2误差分别降低了0.09米（5.14%）、0.34米（14.66%）和0.50米（16.95%），碰撞率分别降低了0.04%、0.11%和0.20%，TPC（轨迹预测一致性）分别降低了0.14米（10.53%）、0.21米（12.65%）和0.38米（19.10%）。难点：现有方法在处理复杂场景时，往往依赖于一次性轨迹预测，缺乏时序一致性和对动态环境的适应性，容易导致轨迹预测的不稳定和碰撞风险增加。
Multiple Object Tracking
うさぎ的博客
08-27 1231
多目标跟踪（Multi-Object Tracking），指在一段视频中同时跟踪多个目标或物体。MOT主要应用场景是安防监控和自动驾驶等，这些场景中我们往往需要对众多目标同时进行追踪。这仅仅用目标检测算法或单目标跟踪算法都无法做到的，渐渐地多目标跟踪算法就引起了研究学者的兴趣。单目标跟踪与多目标跟踪的区别在于新目标的进入与旧目标的消失问题。在单目标中，常用的方法是使用给定的初始框，在后续视频帧中对初始框内的物体进行位置预测。而大多数的多目标跟踪算法是不需要考虑初始框的，原因也是新目标的进入与旧目标的消失。.
react hooks 详解
07-17
React Hooks 是 React 16.8 中新增的特性，它可以让你在函数组件中使用 state、生命周期钩子等 React 特性。使用 Hooks 可以让你写出更简洁、可复用且易于测试的代码。 React Hooks 提供了一系列的 Hook 函数，包括 useState、useEffect、useContext、useReducer、useCallback、useMemo、useRef、useImperativeHandle、useLayoutEffect 和 useDebugValue。每个 Hook 都有特定的用途，可以帮助你处理不同的问题。 下面是 React Hooks 的一些常用 Hook 函数： 1. useState useState 是最常用的 Hook 之一，它可以让你在函数组件中使用 state。useState 接受一个初始状态值，并返回一个数组，数组的第一个值是当前 state 值，第二个值是更新 state 值的函数。 ``` const [count, setCount] = useState(0); ``` 2. useEffect useEffect 可以让你在组件渲染后执行一些副作用操作，比如订阅事件、异步请求数据等。useEffect 接受两个参数，第一个参数是一个回调函数，第二个参数是一个数组，用于控制 useEffect 的执行时机。 ``` useEffect(() => { // 这里可以执行副作用操作 }, [dependencies]); ``` 3. useContext useContext 可以让你在组件树中获取 context 的值。它接受一个 context 对象，并返回该 context 的当前值。 ``` const value = useContext(MyContext); ``` 4. useRef useRef 可以让你在组件之间共享一个可变的引用。它返回一个对象，该对象的 current 属性可以存储任何值，并在组件的生命周期中保持不变。 ``` const ref = useRef(initialValue); ref.current = value; ``` 5. useCallback useCallback 可以让你缓存一个函数，以避免在每次渲染时都创建一个新的函数实例。它接受一个回调函数和一个依赖数组，并返回一个 memoized 的回调函数。 ``` const memoizedCallback = useCallback(() => { // 这里是回调函数的逻辑 }, [dependencies]); ``` 6. useMemo useMemo 可以让你缓存一个计算结果，以避免在每次渲染时都重新计算。它接受一个计算函数和一个依赖数组，并返回一个 memoized 的计算结果。 ``` const memoizedValue = useMemo(() => computeExpensiveValue(a, b), [a, b]); ``` 以上就是 React Hooks 的一些常用 Hook 函数，它们可以帮助你更好地处理组件状态、副作用、上下文和性能优化等问题。
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