自动驾驶再思考：多任务知识提升泛化及事故解释能力

Sep, 2018

自动驾驶再思考：多任务知识提升泛化及事故解释能力

Rethinking Self-driving: Multi-task Knowledge for Better Generalization and Accident Explanation Ability

Zhihao Li, Toshiyuki Motoyoshi, Kazuma Sasaki, Tetsuya Ogata, Shigeki Sugano

TL;DR本文提出了一个基于分析易任务知识对困难任务进行指导以增强驾驶模型泛化力和事故解释能力的新型驾驶模型，通过多任务感知相关基础知识和驾驶知识的逐步训练，成功地提高了驾驶模型的平均完成率，使其在未训练的城市和天气中大幅优于当前基准方法。

Abstract

Current end-to-end deep learning driving models have two problems: (1) Poor generalization ability of unobserved driving environment when diversity of training driving dataset is limited (2) Lack of →

end-to-end deep learning driving model multi-task perception knowledge generalization ability accident explanation ability

发现论文，激发创造

面向分布感知的自主驾驶安全目标预测和符合模型规划

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

无限驾驶：具有多模态基础模型的通用端到端自动驾驶

通过使用多模态基础模型，我们提出了一种方法来增强自主驾驶系统的鲁棒性和适应性，实现了开放环境中的端到端多模态自主驾驶，并能从图像和文本的表示中提供驾驶决策。

Oct, 2023

深度多任务学习：联合定位、感知和预测

本文介绍了自动驾驶的最新进展以及在现有系统中定位误差带来的问题，提出了一个联合实现感知、预测和定位的系统，能够在两个任务之间重复使用计算并有效地修正定位误差，实验证明了该方法的高效性和准确性。

Jan, 2021

基于语义深度云地图和多智能体技术的端到端自动驾驶

本文提出了一种深度学习模型，通过端到端和多任务学习方法进行训练，同时执行感知和控制任务，用于自动驾驶车辆的点对点导航；在 CARLA 模拟器上进行评估，同时与其他已有模型进行比较和消融实验，实现了更高的驾驶分数。

Apr, 2022

利用任务适应性注意力生成器的实时自主驾驶多任务学习

本文介绍了一种新的实时多任务网络，包括单目三维物体检测、语义分割和密集深度估计，通过引入任务自适应注意力生成器来解决多任务学习中普遍存在的负迁移问题，并利用硬参数共享方法提高效率，能够同时处理多个任务，尤其是三维物体检测，并保持实时处理速度。经过在 Cityscapes-3D 数据集上的严格优化和深入剖析研究，我们的网络始终优于各种基准模型。

Mar, 2024

MultiNet：面向自动驾驶的多模态多任务学习

本研究使用多模态多任务学习技术来学习自主驾驶中的多个行为模式。研究表明，该方法比单个模式训练的神经网络表现更好，而且参数数量更少。

Sep, 2017

自动驾驶统一感知中基于视觉样本的任务提示

本文通过对四项常见自动驾驶感知任务（物体检测，语义分割，可行驶区域分割和车道检测）的大规模驾驶数据集的广泛分析，提出了一种有效的多任务学习框架，即 VE-Prompt，该框架通过特定于任务的提示引入视觉示例来指导模型向学习高质量的任务特定表示方向发展，并在视觉上提高了目标类别的精度和性能优越于单任务模型。

Mar, 2023

GAD - 基于生成学习的高清地图无驾驶

提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

May, 2024

自动驾驶系统中数据集成的深度学习方法调查

本文综述了近期深度学习与感知模块相结合的自动驾驶系统，介绍了针对何时、如何和何种方式集成多传感器测量的分类方法，提出了基于多视图、多模态和多帧的三维集成分类，总结了集成操作的优缺点，并讨论了理想数据集成方法的关键特性。

Jun, 2023

基于多模态传感器融合的深度神经网络用于端到端自主驾驶和场景理解

本研究旨在利用深度学习和多模态传感器融合技术提高端到端自动驾驶的性能和泛化能力，通过同时实现场景理解和车辆控制命令的像素级语义分割来测试该深度学习驱动的自动驾驶模型在高度逼真的仿真城市驾驶条件下的性能和通用能力，结果显示，该模型定位和避障等任务的成功率强于先前的模型，并验证了多模态传感器融合和场景理解子任务的协同作用提高了模型的性能和可行性。

May, 2020