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

该研究提出了一种基于C-LSTM的全面可训练的人工神经网络模型，用于根据前置摄像头数据流和关联的车辆转向角度学习驾驶的视觉和动态时间依赖关系。同时，将转向角度回归问题作为分类问题，并在输出层神经元之间施加一定的空间关系，从而通过学习编码转向角度的正弦函数的方法来进行转向预测，该方法在公开数据集Comma.ai上验证，相较于现有方法，平均根均方误差提升了35％，转向更为稳定。

Oct, 2017

研究使用事件相机与主动像素传感器流进行端到端自动驾驶学习，提供了一种解决当前图像获取技术限制的方法，并使用卷积神经网络训练，该研究还提供了第一个标注的DAVIS驾驶记录开放数据集DDD17。

Nov, 2017

本文提出了一个深度神经网络方法，使事件摄像头在车辆转向角度预测等困难运动估计任务上发挥潜力，并展示了从传统到基于事件的视觉进行传递学习的优势和优于基于标准摄像头的最先进算法的表现。

Apr, 2018

BDD100K是有史以来最大的驾驶视频数据集，共有10个任务，用于评估自主驾驶图像识别算法的进展，并为杂多任务学习构建基准，研究如何共同解决任务。

May, 2018

本文介绍了司机监控数据集(Driver Monitoring Dataset)和dBehaviourMD数据集，并使用其训练一个高效、实时、CPU平台可运行的司机行为识别系统，该系统对于实时反应和精度都有着较好的表现。

Aug, 2020

提出了DSEC数据集，其中包含了高动态范围的场景，在不同的光照条件下，通过收集一系列的数据集以用于高分辨率的事件相机。该数据集包含了53个序列，可用于开发和评估事件驱动的立体算法。

Mar, 2021

使用神经形态视觉传感器和事件相机，结合循环卷积神经网络的座椅安全状态检测算法，在模拟和真实测试集上分别实现了0.989和0.944的快系/解系的F1得分，并在判别系带装上/解经动作时分别获得了0.964和0.846的F1得分。

Aug, 2023

最近，事件驱动视觉传感器受到了自动驾驶应用的关注，因为传统的RGB相机在处理具有挑战性的动态条件时存在局限性。然而，现实世界和合成的事件驱动视觉数据集的可用性仍然有限。为了填补这一空白，我们提出了SEVD，这是一种首个使用CARLA模拟器中的多个动态视觉传感器的多视点自我和固定感知合成的事件驱动数据集。数据序列记录在不同的光照条件（中午、夜间、黄昏）和天气条件（晴朗、多云、潮湿、多雨、雾霾）下进行，具有域漂移（离散和连续）。SEVD跨越城市、郊区、乡村和高速公路场景，涵盖了各类物体（汽车、卡车、货车、自行车、摩托车和行人）。除了事件数据，SEVD还包括RGB图像、深度图、光流、语义和实例分割，有助于全面了解场景。此外，我们使用最先进的事件驱动方法（RED，RVT）和基于帧的方法（YOLOv8）评估数据集的交通参与者检测任务，并提供基准标准进行评估。此外，我们进行实验评估合成事件驱动数据集的泛化能力。数据集可在此https URL获得。

Apr, 2024

事件相机在自动驾驶中利用事件数据进行目标检测具有竞争优势。该论文提供了事件相机在自动驾驶中目标检测的概述，强调了事件相机的低延迟和轻量级架构的竞争性优势。

May, 2024