CVPRJan, 2021

深度多任务学习：联合定位、感知和预测

PDF
TL;DR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。
autonomous drivinglocalization errorperceptionpredictionefficiency
发现论文，激发创造
  • 自动驾驶再思考：多任务知识提升泛化及事故解释能力

    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。

    Sep, 2018

  • 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

  • 看到他人，发现自己：多任务检测自身失败

    本文提出一种基于关注机制的多任务联合失败检测方法，该方法能够评估多个视觉感知任务在图像不同区域的预测准确率和失效率，利用监督式多任务不确定性估计及其对应的预测误差，实现更准确的预测误差估计。

    Oct, 2021

  • 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

  • FULLER: 统一的多模态多任务三维感知通过多级梯度校准

    多模态融合与多任务学习在三维自动驾驶场景中变得流行，然而，将现有框架扩展到多模态多任务学习领域仍然是无效的甚至有害的，由于恶名昭彰的模态偏差和任务冲突。本研究提出了一个新颖而简单的多层梯度校准学习框架，通过任务和模态之间的优化在任务和模态之间进行优化。实验证明了该方法的有效性。

    Jul, 2023

  • VLocNet ++: 面向语义视觉定位和里程计的深度多任务学习

    本研究提出了 VLocNet ++ 体系结构，采用多任务学习方法来利用学习语义，回归 6-DoF 全局姿势和里程计之间的相互关系，以使每个任务都获得相互的好处。我们的网络通过同时将世界的几何和语义知识嵌入姿势回归网络来克服上述限制。大量实验证明，我们的方法均能胜过以本地特征为基础的方法，同时实现多个任务并在挑战性场景中表现出相当的鲁棒性。

    Apr, 2018

  • FusionAD: 自动驾驶的预测和规划任务的多模态融合

    FusionAD 是第一个将相机和激光雷达传感器融合的统一框架，通过多模态特征的优势，在感知任务中实现了领先水平。

    Aug, 2023

  • 自动驾驶汽车的位置定位和三维场景感知：多相机系统

    Project AutoVision 旨在为自动驾驶汽车开发定位和 3D 场景感知的能力，利用低成本多相机的传感器套件实现 360 度覆盖和准确的多视图立体感知，在使用深度学习和多视角几何的帮助下，提高车辆在城市和乡村地区等各种环境下的自主导航。

    Sep, 2018

  • 基于规划的自动驾驶

    提出一种新的自动驾驶系统框架 UniAD，其将任务的优先级与任务之间的交互结合，以整合现有方法中尚未合并的任务，实现更高水平的自动驾驶。

    Dec, 2022

  • 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