清华&地平线最新开源！全任务SOTA！SparseDrive：端到端自动驾驶新范式！

最新推荐文章于 2024-07-20 12:14:03 发布
最新推荐文章于 2024-07-20 12:14:03 发布
阅读量35 收藏
点赞数
分类专栏： 3D视觉从入门到精通 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/weixin_46788581/article/details/140070780
版权

编辑：计算机视觉工坊

添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附行业细分群

扫描下方二维码，加入3D视觉知识星球，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门视频课程（星球成员免费学习）、最新顶会论文、3DGS系列、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、搞科研，欢迎扫码加入！

图片

0. 这篇文章干了啥？

传统的自动驾驶系统以顺序的模块化任务为特点。尽管在解释和错误跟踪方面具有优势，但它不可避免地会在连续的模块之间造成信息丢失和累积误差，从而限制了系统的最佳性能潜力。

<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
计算机视觉工坊
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
TCP：结合轨迹规划和控制预测的端到端自动驾驶框架
PerceptionX的博客
06-29 1535
热爱自动驾驶研究的你，是否还在为如何融合多传感器信息而苦恼，亦或是为提升上游检测和预测模块的点数而卷得不可开交？不妨换个思路，在端到端模型输出形式上对症下药，乘坐我们的TCP，纵使路途遥远充满挑战，也能安全为您保驾护航。...
重新定义端到端自动驾驶！SparseDrive：所有任务都超过现有SOTA（清华&地平线）...
CV_Autobot的博客
06-19 646
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清华&地平线最新的工作—SparseDrive！重新定义端到端自动驾驶任务设计，所有任务都超过现有SOTA！如果您有相关工作需要分享，请在文末联系我们！也欢迎添加小助理微信AIDriver004，加入我们的技术交流群>>点击进入→自动驾驶之心『端到端自动驾驶』技术交...
420 FPS！LSTR：端到端实时车道线检测新SOTA！
CV_Autobot的博客
02-28 879
作者|CVer计算机视觉 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/331892664点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【车道线检测】技术交流群Transformer大法好！表现SOTA！性能优于PolyLaneNet等网络，速度可高达420 FPS！代码已开源！车道线检测是将车道标记识别为近似...
最新开源！TransReID：首个基于Transformer的ReID网络，各项任务全面领先！
阿木寺的博客
03-31 2143
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者丨Happy 审稿丨邓富城转载自丨极市平台导读Transformer在ReID领域的第一次全面探索！为更好的...
YOLOv9来了：实时目标检测新SOTA，完胜各种轻量或大型模型！.doc
02-24
YOLOv9来了：实时目标检测新SOTA，完胜各种轻量或大型模型！
陈丹琦“简单到令人沮丧”的屠榜之作：关系抽取新SOTA！.rar
10-18
《陈丹琦“简单到令人沮丧”的屠榜之作：关系抽取新SOTA！》这篇文章主要聚焦于自然语言处理（NLP）领域中的一个重要任务——关系抽取，并介绍了由陈丹琦团队实现的最新技术突破，他们提出了一个创新的解决方案，...
击败GPT3，刷新50个SOTA！谷歌全面统一NLP范式.rar
10-18
标题中的“击败GPT3，刷新50个SOTA！”暗示了这是一项关于自然语言处理（NLP）领域的重大突破，可能涉及到一个新模型或算法，它在多个标准评估任务上超越了OpenAI的GPT-3模型，并创下了50个新的最优结果（State-of-...
击败GPT3，刷新50个SOTA！谷歌全面统一NLP范式.pdf
08-12
标题中的“击败GPT3，刷新50个SOTA！”指的是谷歌的一项新的自然语言处理（NLP）技术在多项标准评估任务中超越了OpenAI的GPT-3模型，并且在50个不同的State-of-the-Art（SOTA）基准测试中取得了最佳成绩。这一突破性...
Allen AI提出MERLOT，视频理解领域新SOTA！.rar
10-18
标题中的“Allen AI提出MERLOT，视频理解领域新SOTA！”揭示了本次讨论的核心：一个由Allen AI研究所开发的新颖视频理解模型——MERLOT。在AI（人工智能）领域，特别是计算机视觉（CV）、自然语言处理（NLP）以及...
自动驾驶AVM环视算法–全景和标定全功能算法实现和exe测试demo
jinshushijie的博客
07-17 363
链接：https://pan.baidu.com/s/1OqYzPKSrsuVzmwxfPUOSXw。链接：https://pan.baidu.com/s/1J4AA64Xo0SkGpCaMUF6edQ。AVM全景的车轮模式--行车左前车轮模式。AVM全景的车轮模式--倒车左后车轮模式。AVM全景的车轮模式--行车右前车轮模式。AVM全景的车轮模式--倒车右后车轮模式。AVM全景的多视图模式--540度全景。AVM全景的窄边模式--行车窄边模式。AVM全景的窄边模式--倒车窄边模式。
自动驾驶系统开发与调试：车路云一体化无人驾驶挑战赛参赛体验
pengxin_ce的博客
07-18 683
点击蓝字 关注我们 在过去的几年里，自动驾驶技术在全球范围内吸引了大量关注。其潜力不仅在于提升行车安全，而且还可以改变我们的出行方式和城市规划，提高交通运输效率。国际汽车工程师学会（SAE）根据不同自动驾驶程度（从人工驾驶到完全自动驾驶）提出了正式的自动驾驶等级分类系统，即L0到L5。 近几年来，自动驾驶技术飞速发展：2023年7月21日，比亚迪在深圳市获得全国首张高快...
自动驾驶-定位概述
dc爱傲雪和技术
07-19 701
假设有一张全球的高精度地图，定位的任务是确定车辆在这张高精度地图上的位置。gps精度在1到3米，由于不能完全信任gps，必须找到另一种方法来准确的确定车辆在地图上的位置。最常用的方法是将所看到的内容和地图上显示的内容进行比较车辆坐标系和地图坐标系可能均取决于手机导航系统中的设置。无人驾驶软件必须将传感器的测量值从车辆坐标系转换到地图坐标系，解决转换问题是定位问题的关键步骤。
百度自动驾驶apollo源码解读12:线程池
小硕算法工程师
07-20 107
apollo项目里面有个线程池，源码链接：https://github.com/ApolloAuto/apollo/blob/master/cyber/base/thread_pool.h仅用一个头文件去实现，此处贴出来源码吧。
自动驾驶车道线检测系列—3D-LaneNet: End-to-End 3D Multiple Lane Detection
u013889591的专栏
07-16 932
我们介绍了一种网络，可以从单张图像直接预测道路场景中车道的3D布局。这项工作首次尝试使用车载传感设备来解决这一任务，而不假设已知的恒定车道宽度或依赖预先映射的环境。我们的网络架构，3D-LaneNet，采用了两个新概念：网络内逆透视映射（IPM）和基于锚点的车道表示。网络内IPM投影在常规图像视图和俯视图中促进了双重表示信息流。基于每列锚点的输出表示使我们能够采用端到端的方法，取代了常见的聚类和离群值拒绝等启发式方法，将车道估计视为目标检测问题。此外，我们的方法能够明确处理车道合并和分离等复杂情况。
多任务注意力网络 (MTAN) 在自动驾驶感知领域的应用
dc爱傲雪和技术
07-18 691
多任务学习是一种机器学习方法，旨在通过同时训练多个相关任务来提高整体性能。与单任务学习不同，多任务学习利用任务之间的关联性，从而实现更好的泛化能力和更高的效率。在自动驾驶感知领域，多任务学习可以同时处理物体检测、语义分割、车道检测等任务。
高翔【自动驾驶与机器人中的SLAM技术】学习笔记（二）——带着问题的学习；一刷感受；环境搭建
xiaoyaolangwj的博客
07-16 970
按照作者在读者寄语中的说法：我们得榨干这本书的知识。
自动驾驶感知-概览
最新发布
dc爱傲雪和技术
07-20 621
感知任务大部分依赖于卷积神经网络，结合传感器融合技术实现感知。
介绍一些 sota 自动驾驶目标估计预测方法
07-11
当谈到自动驾驶目标估计和预测方法时，有一些先进的技术被认为是SOTA（State-of-the-Art，最新技术）的。以下是一些SOTA自动驾驶目标估计和预测方法的示例： 1. 基于深度学习的方法：深度学习在自动驾驶目标估计和预测领域取得了巨大的成功。通过使用卷积神经网络（CNN）和循环神经网络（RNN）等深度学习模型，可以从传感器数据中提取特征并进行目标检测、跟踪和预测。这些方法通常使用大规模的标注数据进行训练，并具有较高的准确性和鲁棒性。 2. 多传感器融合方法：自动驾驶系统通常使用多种传感器（如相机、激光雷达、雷达等）来获取环境信息。多传感器融合方法将这些传感器的数据进行融合，以提高目标估计和预测的准确性和可靠性。常见的融合方法包括基于卡尔曼滤波或粒子滤波的传感器数据融合。 3. 基于图像语义分割的方法：图像语义分割可以将图像中的每个像素分类为不同的物体类别。这些方法可以用于自动驾驶目标估计和预测中，以提供更精细的目标边界和形状信息。通过结合语义分割和目标检测/跟踪算法，可以实现更准确的目标预测和轨迹规划。 4. 基于概率建模的方法：这些方法使用概率模型来表示目标在未来的位置和轨迹。常见的方法包括高斯混合模型（GMM）和条件随机场（CRF）。这些方法可以通过历史轨迹数据和环境信息来估计目标的未来行为，并进行预测。 5. 端到端学习方法：端到端学习方法直接从传感器数据到车辆控制命令进行学习，省去了传统的模块化设计。这些方法通常使用深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），以实现端到端的自动驾驶目标估计和预测。 需要注意的是，自动驾驶领域的研究和技术发展迅速，新的SOTA方法不断涌现。因此，上述列举的方法只是目前为止的一些示例，未来可能会有更多创新的方法被提出。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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