端到端自动驾驶的实际与虚拟域统一
本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。
Apr, 2023
车联网 (V2X) 的协作感知对于自动驾驶至关重要。然而，实现高精度的 V2X 感知需要大量的真实世界数据进行标注，这往往昂贵且难以获取。模拟数据因其可大规模低成本生成而备受关注。然而，模拟数据与真实世界数据之间存在显著的领域差异，包括传感器类型、反射模式和道路环境差异，导致在真实世界数据上评估的模型性能较差。为了充分利用模拟数据，我们提出了一种新的无监督 sim2real 领域适应方法，名为 Decoupled Unsupervised Sim2Real Adaptation (DUSA)。我们的新方法将 V2X 协作 sim2real 领域适应问题分解为两个子问题：sim2real 领域适应和协同代理适应。通过针对 sim2real 领域适应，设计了一种自适应聚合特征的位置适应型 Sim2Real Adapter (LSA) 模块，通过聚合全局特征上的模拟 / 真实判别器来调整来自特征图的关键位置的特征，并对模拟数据和真实世界数据之间的特征进行对齐。针对协同代理适应，我们进一步设计了一种自信度感知的协同代理 Adapter (CIA) 模块，通过代理自信度图的引导来调整异构代理的细粒度特征。实验证明了所提出的 DUSA 方法在从模拟 V2XSet 数据集到真实世界 DAIR-V2X-C 数据集的无监督 sim2real 领域适应任务中的有效性。
Oct, 2023
我们提出了一种统一的域泛化框架，通过在训练和推断阶段引入振幅增强和一致性训练方案，旨在解决协作感知系统中的域漂移和域差异问题，并通过广泛实验证明了其有效性。
Nov, 2023
本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。
Sep, 2018
我们提出了 UAD，一种基于视觉的端到端自动驾驶 (E2EAD) 方法，在 nuScenes 中实现了最佳的开环评估性能，同时在 CARLA 中显示出强大的闭环驾驶质量。
Jun, 2024
通过 DI-V2X 提出了一种新的蒸馏框架，通过域混合实例增强、渐进式域不变蒸馏和域自适应融合模块来减轻 V2X 3D 物体检测中的域差异，实现了卓越的性能。
Dec, 2023
本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有 10％标注数据的情况下实现全监督的准确率。
Jul, 2020