该研究提出了一种新的基于智能路边摄像头的道路单目三维物体检测框架 MonoGAE，通过使用地面感知嵌入和交叉注意机制将地面几何信息与图像特征相结合，从而提高自主驾驶系统对道路场景的感知精度。

Sep, 2023

本文提出了一种针对单目相机的 3D 车辆定位网络 CenterLoc3D，通过解决摄像头标定和使用空间约束嵌入到 CenterLoc3D 的损失函数实现了用于路侧单目摄像头的 3D 车辆定位，同时提出了 SVLD-3D 数据集、标注工具和评估指标。经实验验证，所提出的方法具有高精度和实时性。

Mar, 2022

本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

Nov, 2016

提出了一种新颖的轻量级视觉语义定位算法，通过稳定的语义特征代替低级纹理特征，结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明，该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。

Jun, 2024

通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

Feb, 2021

本文介绍了一种通过卷积神经网络提取车辆关键点，并利用交叉投影优化方法估算 3D 姿态，采用层级线框约束方法估算车辆形状的精确方法，可以应用于智能交通领域的视频监控网络，实现车辆定位和跟踪。实验结果表明，该方法在估算车辆姿态和形状方面表现优于现有的单目和立体方法。

Feb, 2018

提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

Nov, 2018

本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法，通过追踪短单眼相机序列中的特征点，估计 3D 位置，然后计算 Street View 全景图与估计点之间的刚体变换，进而实现了机器人自动测距。

Mar, 2015

使用三维形状和运动先验来规范车辆的轨迹和形状，并通过在序列立体图像中施加共同的形状和运动模型，从而实现对车辆的姿态和形状的推断，得到了在 KITTI 数据集上的最新成果。

May, 2020

该论文提出一种利用单个 RGB 图像重建车辆的方法，通过学习形状先验和使用卷积神经网络技术，恢复车辆的 3D 姿势和形状，同时通过迭代重新加权最小二乘（IRLS）方法对噪声进行建模和优化，以达到在自动驾驶领域中优于现有单眼和立体摄像头方法的结果。

Sep, 2016