该研究介绍了一个多模态数据集，其中包括雷达、相机和激光雷达，以提高自主驾驶汽车的稳健性和长程感知并训练 3D 物体检测模型，并在 GitHub 上提供数据。

Nov, 2022

本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合，以及在车辆感知中的数据集、度量、挑战和开放性问题，这些元素对于提高自动驾驶系统的普及率具有重要意义。

Mar, 2023

雷达在自动驾驶环境感知方面相较于广泛采用的摄像头和 LiDAR 具有更强的适应性。本文介绍了一个新颖的大规模多模态数据集，首次同时捕获了两种类型的 4D 雷达，为进一步研究有效的 4D 雷达感知算法提供了支持。

Oct, 2023

本文提出了一种新颖的基于特征融合的多传感器融合技术，结合仿真学习实现端到端自动驾驶导航。论文的重点在于 Lidar 和 RGB 信息的融合技术，同时提出基于惩罚的仿真学习方法，以加强模型对交通规则的遵守，并统一仿真学习和自动驾驶指标的目标。

Mar, 2023

该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集，其中包含了各种城市和郊区地理环境中的 1150 个场景，数据标注为 2D 和 3D 框，而 2D 和 3D 检测和跟踪任务的基线也得到了提供。

Dec, 2019

本文介绍了最近在深度学习领域取得的自主驾驶感知技术。对于实现强大而准确的场景理解，自动驾驶车辆通常配备多种传感器 (例如相机、激光雷达、雷达)，并且可以将多种感知模式融合以利用它们的互补性。然而，网络架构设计方面缺乏通用指导方针，关于 “何时融合” 和 “如何融合” 等问题仍然存在争议。本文系统地总结了方法学和讨论了自主驾驶中深度多模式对象检测和语义分割的挑战。

Feb, 2019

通过系统考察当前两代自动驾驶数据集，本综述提供关于高质量数据集创建原则、数据引擎系统的关键作用，以及采用生成式基础模型促进可扩展数据生成等方面的见解。此外，本综述还详细分析了第三代自动驾驶数据集应具备的特征和数据规模，并深入探讨需要解决的科学和技术挑战，以推动自主创新和关键领域的技术提升。

Dec, 2023

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

本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

May, 2020

合作感知技术对提升自主车辆能力和道路安全具有多方面的好处，使用路侧传感器以及车载传感器可以提高可靠性和扩展传感器范围。我们提出了一种合作多模态融合模型 CoopDet3D 和感知数据集 TUMTraf-V2X，用于合作式三维物体检测和跟踪任务。通过多次实验，我们证明了相对于车载摄像头 - LiDAR 融合模型，我们的 CoopDet3D 摄像头 - LiDAR 融合模型在三维 mAP 上实现了 + 14.36 的提高。最后，我们将我们的数据集、模型、标注工具和开发套件公开发布在我们的网站上。

Mar, 2024