无法学习：为自动驾驶汽车自主识别感知故障

Jun, 2017

无法学习：为自动驾驶汽车自主识别感知故障

Failing to Learn: Autonomously Identifying Perception Failures for Self-driving Cars

Manikandasriram Srinivasan Ramanagopal, Cyrus Anderson, Ram Vasudevan, Matthew Johnson-Roberson

TL;DR本文讨论使用深度学习的物体检测方法在自动驾驶汽车中出现的错误，提出了一种自动化方法来识别没有基准标签的物体检测器的错误，重点研究了时间和立体不一致性这两个方面的错检，并展示了数据集和代码供进一步研究。

Abstract

One of the major open challenges in self-driving cars is the ability to detect cars and pedestrians to safely navigate in the world. Deep learning-based object detector approaches have enabled great advances in u

self-driving cars deep learning object detector automated error detection stereo inconsistencies

发现论文，激发创造

自主车辆中的目标检测：现状与开放挑战

本文研究计算机视觉中的物体检测任务，分析其在自主驾驶汽车中的应用，并探讨目前物体探测器的现状和面临的挑战。

Jan, 2022

利用播放回归进行无监督领域自适应的三维物体检测

本研究提出了一种新的学习方法通过在原始领域的伪标签上微调探测器来减少自动驾驶汽车在不同环境下的识别差异，据此，研究发现在五组自动驾驶数据集中，探测器在伪标签领域上的微调显著降低了探测器在新的行驶环境中的误判率。

Mar, 2021

为自动驾驶学习一种具有不确定性意识的目标检测器

本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

Oct, 2019

自学摄影机：针对未标记视频流的目标检测器的自主适应

本文提出了一种适用于移动摄像头、自适应于不同数据源的无监督多任务自学习算法，通过结合性地学习实例级追踪器，由此获得调整后的类别级物体检测器。

Jun, 2014

自动驾驶的 3D 物体检测综述

本文旨在填补 3D 对象检测在自动驾驶中的知识空白，综述了相关领域的传感器、数据集、性能度量以及最新的检测方法，分析了其优劣，并进行了定量比较和案例研究，最后总结了研究成果和未来发展方向。

Jun, 2021

融合深度学习和几何建模的自驾车意外障碍检测

利用外观、语境和几何线索，通过一个基于深度学习的完全卷积网络，结合基于模型的统计假设检验的最新检测方法，和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统，取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率，在我们的自动驾驶平台上达到了 22 Hz 的操作。

Dec, 2016

在德国训练，在美国测试：实现三维物体检测器的泛化

本文研究了自动驾驶中的三维物体检测适应性问题，发现适应性差距的主要障碍在于地理区域间的车辆大小差异，提出了一种简单的校正方法，可用于大多数三维物体检测框架，为跨国家的三维物体检测适应性提供了第一个基准。

May, 2020

使用贝叶斯推理降低自动驾驶感知中的误报率

该论文使用多传感器和多模态方法探索目标识别，通过贝叶斯推断的策略降低了误报率，在 KITTI 数据集上验证了该方法。

Sep, 2023

从安全和可靠性角度评价物体（误）检测的后果：讨论和措施

本研究旨在通过建立物体关键性模型，提出新的物体检测评估措施来评估自动驾驶中物体检测的安全性和可靠性，并在 nuScenes 数据集上对九种物体检测器进行比较，结果表明，在多种情况下，根据 nuScenes 排名表现最好的物体检测器当重点关注安全性和可靠性时，并不是最好的选择。

Mar, 2022

安全导航的物体关键性

配置和部署能够成功提取对象相关性知识的对象检测器，并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下，基于对象的相关性和传统的置信度阈值进行过滤，可以减少错过相关对象的风险，降低危险轨迹的可能性，并总体上提高轨迹的质量。

Apr, 2024