大盘点!自动驾驶中基于Transformer的单目BEV感知
BEV技术在未来将会得到广泛应用和发展,而随着核心技术的不断加强,它将会在自动驾驶领域等多个领域中发挥越来越重要的作用。
Tesla FSD Occupancy Network详解
Tesla FSD部分,感知网络从去年的Bev感知(Hydranet)的基础上,更近一步,提出了occupancy network,那么咱们一起来看个究竟。
Tesla的规控和阿尔法的狗狗——记Tesla Autopilot的规划和控制系统
本文内将采用Route的概念来替代之前模糊的Trajectory和Path的概念。
CLIP-ES:一种简单高效通用的弱监督语义分割框架
语义分割需要对数据进行像素级别的标注,人工成本极高,单张图片的语义分割级标注成本约为图像级标注成本的60~80倍。
自动驾驶多传感器融合概念梳理
从车道保持到高阶自动驾驶功能,都需要车辆所处的静态、动态环境的准确信息。通过传感器数据融合,可以获得有关其他交通参与者的动态信息、静态环境以及道路和交通规则的信息。
60多篇BEV算法你都知道吗?2023最新环视自动驾驶3D检测综述!
本次基于环视3D物体检测综述全面回顾了过去基于深度学习的方法和架构。
三维重建与自动驾驶的契合点在哪里?盘一盘近几年SOTA方法!
由于其独特的挑战和变化机制,基于深度学习的3D重建仍处于起步阶段,未来能否进一步与自动驾驶相契合仍然是一个值得探索的问题。
端到端自动驾驶:数据、方法与展望
这篇文章主要讨论端到端自动驾驶,围绕其对数据的要求、所涉及到的方法和对未来的展望来讲解。
3D目标检测中点云的稀疏性问题及解决方案
点云稀疏性的解决方案
基于Transformer的自动驾驶传感器融合研究综述
本文提供了最近基于transformer的3D目标检测任务的文献综述,主要集中于传感器融合,介绍了视觉transformer(ViT)的基础知识,还简要论述了用于自动驾驶的传感器融合的几种非transformer式较少占主导地位的方法。最后总结了transformer在传感器融合领域中的作用,并提出了该领域的未来研究方向。
数据闭环与AutoLabeling方案总结
自动驾驶中的数据闭环,是指算法研发由case-driven转向data-driven的核心步骤。
两万字简述自动驾驶路径规划的常用算法
在自动驾驶的分工中,决策规划将承担上述志向实现的大部分工作,也因此被毫不吝啬的称为自动驾驶的大脑。
对SLAM和自动驾驶定位的思考,最新自动驾驶视觉SLAM方法综述!
目前视觉SLAM在自动驾驶汽车中的应用被认为还不成熟,但这仍然引起了广泛的关注。由于自动驾驶公共数据集的易获取性,视觉SLAM算法总是易于验证,并鼓励对新算法的研究。
特斯拉自动驾驶算法和模型解读
特斯拉把他们采用的规划模型叫做交互搜索(Interaction Search),它主要由三个主要步骤组成:树搜索,神经网络轨迹规划和轨迹打分。
从ChatGPT思考自动驾驶将如何前行
本文通过引入chatGPT的强化学习思维,不停的迭代更新模型,以针对当前场景获得期望的输出结果。