-
DrivingGaussian：逼真环视数据，驾驶场景重建SOTA
本文经自动驾驶之心公众号授权转载，转载请联系出处。 原标题：DrivingGaussian: Composite Gaussian Splatting for Surrounding Dynamic Autonomous Driving Scenes...
-
QTNet：最新时序融合新方案！点云、图像、多模态检测器全适用（NeurIPS 2023）
本文经自动驾驶之心公众号授权转载，转载请联系出处。 写在前面 & 个人理解 时序融合能够有效提升自动驾驶3D目标检测的感知能力，然而目前的时序融合方法由于成本开销等问题难以在实际自动驾驶场景中应用。NeurIPS 2023的最新研究文章 《Qu...
-
首次超过70% mAP！GeMap：局部高精地图SOTA再次刷新
本文经自动驾驶之心公众号授权转载，转载请联系出处。 写在前面&笔者的个人理解 实时根据传感器数据构建向量化高精地图对于预测和规划等下游任务至关重要，可以有效弥补离线高精地图实时性差的缺点。随着深度学习的发展，在线向量化高精地图构建逐渐兴起，代表性...
-
RangePerception：Range View3D检测新思路！
本文经自动驾驶之心公众号授权转载，转载请联系出处。 原标题：RangePerception: Taming LiDAR Range View for Efficient and Accurate 3D Object Detection 论文链接：htt...
-
聊一聊高精地图的数据问题，无图感知还有哪些坑要踩？
本文经自动驾驶之心公众号授权转载，转载请联系出处。 在自动驾驶领域，高精地图在定位、规划和避碰等方面发挥着至关重要的作用，实现行车安全和高质量路线预测。然而高精地图的构建都是昂贵、复杂的，而且专业性很强，无论是在硬件组成还是软件及其所使用的算法方面。...
-
UniPAD：通用自动驾驶预训练模式！各类感知任务都可支持
本文经自动驾驶之心公众号授权转载，转载请联系出处。 最近，新论文推陈出新的速度着实太快有点读不过来的感觉。可以看到的是，语言视觉多模态大模型融合已经是业界共识了，UniPad 这篇文章就比较有代表性，多模态的输入，类世界模型的预训练基座模型，同时又方便扩...
-
关于世界模型的一点迷思，以及与自动驾驶结合的几点思考~
本文经自动驾驶之心公众号授权转载，转载请联系出处。 什么是world models? 什么是world models, 可以参考Yann LeCun的PPT解释 即输入历史1到t时刻的状态信息, 结合当前的动作, 能够预测接下来的状态。 通俗地理解,...
-
从单机到多机的无人机与机器人集群的SLAM综述
本文经自动驾驶之心公众号授权转载，转载请联系出处。 前言 在本系列，我将会更新我的博士毕业论文“Decentralized and Distributed Collaborative Simultaneous Localization and Mapp...
-
GraphAlign：通过图匹配增强多模态3D目标检测的准确特征对齐
本文经自动驾驶之心公众号授权转载，转载请联系出处。 原标题：GraphAlign: Enhancing Accurate Feature Alignment by Graph matching for Multi-Modal 3D Object Det...
-
用于自动驾驶赛车的多模态传感器融合和目标跟踪
本文经自动驾驶之心公众号授权转载，转载请联系出处。 原标题：Multi-Modal Sensor Fusion and Object Tracking for Autonomous Racing 论文链接：https://arxiv.org/pdf/23...
-
UniPAD：自动驾驶通用预训练范式来了！
本文经自动驾驶之心公众号授权转载，转载请联系出处。 UNIPAD：自动驾驶通用预训练范式 原标题：UNIPAD: A UNIVERSAL PRE-TRAINING PARADIGM FOR AUTONOMOUS DRIVING 论文链接：https:/...