TrajectoryNAS 是一种基于点云数据进行轨迹预测的先进方法，通过利用神经架构搜索（NAS）自动设计轨迹预测模型，有效增强自动驾驶系统的性能，标志着该领域的重大进展。

Mar, 2024

本文提出了一种新的基于参数曲线的车道检测方法，利用 Bézier 曲线及变形卷积特征翻转融合等方法，不仅在 LLAMAS 法案中实现了最新的最佳效果，并且在 TuSimple 和 CULane 数据集上实现了可观的准确性，同时保持了低延迟与小模型尺寸。

Mar, 2022

为了成功实现机器人技术和自动驾驶，开发能够准确理解 3D 点云中对象的神经模型至关重要。本文提出了一个统一的框架来因素分解神经网络，并演示了这种模块化框架作为神经架构搜索空间的可行性，并在 3D 物体检测上优于现有模型。

Oct, 2022

本文提出了一种新颖的 LanePtrNet 方法，将车道检测视为有序集上的点投票和分组过程，通过将骨干特征作为输入并预测曲线感知的中心性来表示每条车道并分配最可能的中心点。通过利用局部邻域的特征和跨实例注意力得分，我们设计了一个分组模块，进一步在相邻和播种点之间执行车道聚类。我们的方法还可以作为背骨的替代方案，从而轻松扩展到 3D 车道检测任务。通过进行综合实验，验证了我们提出的方法的有效性，并展示了其卓越的性能。

Mar, 2024

本研究提出了一个新的神经网络架构搜索框架 ——LC-NAS，该框架可以在指定延迟内搜索点云网络结构，并平衡了精度和延迟之间的权衡，实验结果表明，该框架在计算成本最小化的同时，能够找到具有最先进性能的点云分类体系结构。

Aug, 2020

通过新的弹性交互能量引导车道检测网络（ElasticLaneNet）框架，采用隐式表示的新颖灵活方式，以及基于弹性交互能量的损失函数（EIE loss）引导下的训练策略，结合辅助特征细化模块（AFR），该方法在复杂车道场景中表现出色，并在三个数据集上取得了优秀的性能结果，包括结构多样性数据集 SDLane 上的 F1 分数 89.51，召回率 87.50 和精确度 91.61。

Dec, 2023

本文提出了一种新的基于深度学习的自顶向下的车道检测方法 -- CANET，能够有效解决车道边角处的检测问题，并在多个指标上达到了领先水平。

Apr, 2023

CurveFormer++ 是一种基于 Transformer 的单阶段方法，不需要图像特征视图转换模块，直接从透视图像特征中推断出三维车道检测结果。

Feb, 2024

本文提出了 SwiftLane 算法，这是一个采用端到端深度学习框架、基于行分类的轻量级车道检测方法，同时加入假阳性抑制算法和曲线拟合技术，实现了较高的检测准确率和每秒 411 帧的推理速度。此外，在使用 TensorRT 优化后的 Nvidia Jetson AGX Xavier 嵌入式系统上也可以实时检测车道，其推理速度为每秒 56 帧。

Oct, 2021

为了提高计算机视觉算法在实时场景中对道路特征的准确评估能力，本研究探索了 LaneSegNet 架构，该方法将拓扑信息与车道线数据集成，以提供更多上下文理解道路环境的能力。通过修改特征提取器和变换器编码器 - 解码器堆栈，我们发现在训练时间和预测精度之间可以得到有趣的权衡，某些组合显示出有希望的结果。这项研究为根据可用计算资源优化 LaneSegNet 提供了宝贵的见解，使之对资源有限的用户更具可行性，并增强了对资源更丰富的用户的能力。

Jun, 2024