ECCVMar, 2018

使用全景相机和路线规划器进行驾驶模型端到端学习

PDF
TL;DR通过一个由 8 个摄像头和路线规划器组成的组合实现自动驾驶， Collect driving data on various scenarios and weather conditions and learn a driving model by integrating information from the cameras and the route planner, which can significantly improve steering angle prediction.
发现论文，激发创造
  • 地图学习：自动驾驶的视觉常识

    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

  • 深度转向：从时空视觉线索中学习端到端驾驶模型

    本文研究利用低成本车载摄像头进行自主驾驶算法，并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型，提出了一种结合空间和时间线索的模型，有助于解释学习到的模型，通过分析人类驾驶数据，比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。

    Aug, 2017

  • 无人驾驶汽车的端到端学习

    使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

    Apr, 2016

  • 自动驾驶的单目平面视图网络

    通过将单目摄像头录制的车载视频进行简单变换，将观察对象投影到从鸟瞰角度看的平面视图上，从而能够在深度神经网络的支持下，通过检测车辆和行人的位置及方向来实现自动控制，其中 3D 物体检测等技术的应用能够显著减少碰撞事故。

    May, 2019

  • 神经世界模型与计算机视觉

    该研究提出了一种基于计算机视觉概念，使用深度神经网络从摄像头观测和专业演示数据中训练世界模型和政策的通用框架，该模型可以预测鸟瞰图空间中动态汽车的未来轨迹，并在城市驾驶环境中联合预测静态场景、动态场景和特定行为。

    Jun, 2023

  • MapVision: CVPR 2024 自主大挑战无地图驾驶技术报告

    自动驾驶无需高清地图，但需要更高水平的场景理解能力。在这项竞赛中，使用多角度相机图像和标清地图来探索场景推理能力的边界。通过加入地图编码预训练和使用 YOLOX 等算法，我们对交通要素进行了更精准的检测，最终实现了 0.58 的 OLUS 评分。

    Jun, 2024

  • 使用多摄像头系统的自动驾驶汽车的三维视觉感知：校准，映射，定位和障碍物检测

    本文讨论了多鱼眼相机系统的标定和处理流程，方法可用于自动泊车等应用场景。该流程可以精确标定多相机系统，构建稀疏的三维地图用于视觉导航、车辆定位，并基于实时深度图提取进行精确的物体检测。

    Aug, 2017

  • 基于深度透视变换的鸟瞰图车辆定位

    自动驾驶汽车的导航系统需要准确理解周围环境，本文提出了一个替代方法，通过生成场景的顶视图，提取其他车辆相对于自我车辆的距离和方向，同时通过将透视图 RGB 图像转换为鸟瞰地图的方法，有效捕捉了自动驾驶汽车所需的重要环境信息。

    Nov, 2023

  • 消除盲区：将 3D 物体检测和单目深度估计应用于 360° 全景图像

    本研究提出了一种处理全景图像的深度学习算法，通过样式和投影转换，重新训练和调整现有的算法，从单目全景图像中恢复场景深度和车辆的三维姿态，大大提高了无人驾驶汽车使用全景摄像头时的准确性。

    Aug, 2018

  • 基于全景监控系统的自动驾驶场景理解网络

    本文提出一种新的端到端解决方案，通过识别驾驶车辆在每个方向上最近的障碍物，用于计算最近障碍物的距离，并将其合并到统一的端到端架构中，实现联合物体检测、路缘检测和安全可驾驶区域检测，最终通过相机为基础系统和 3D 对象检测来在停车和行驶模式下实现这些目标的潜力。

    May, 2018