CVPRMay, 2023

ReasonNet：具有时态和全局推理的端到端驾驶

PDF
TL;DR本文介绍了一种利用时间和全局信息的端到端驾驶框架 ——ReasonNet，其能够有效预测自动驾驶车辆在城市繁忙交通情景下的行驶逻辑，并排名领先于 CARLA 排行榜。
autonomous vehiclesurban dense trafficreasonnetdriving frameworkglobal information
发现论文，激发创造
  • Reason2Drive：面向自动驾驶的可解释和链式推理

    提出了一个用于自动驾驶的新数据集 Reason2Drive，其中包含了 600K 个视频文本对，以促进对复杂驾驶环境中可解释推理的研究。基于该数据集进行实验评估各种现有的视觉语言模型，并通过开发一种有效的方法来提高模型的推理准确性。

    Dec, 2023

  • MultiNet: 自主驾驶实时联合语义推理

    本文提出了一种联合分类、检测和语义分割的方法，其中编码器在三个任务之间共享。该方法非常简单，可以端到端训练，在具有挑战性的 KITTI 数据集中表现良好，在道路分割任务中优于现有技术。而且，我们的方法非常高效，执行所有任务只需要不到 100 毫秒。

    Dec, 2016

  • 交互感知概率预测的情境可迁移语义图推理

    本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

    Apr, 2020

  • 将常识推理和知识获取结合，为机器人的深度学习提供指导

    该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

    Jan, 2022

  • 驾驶场景的拓扑推理

    TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

    Apr, 2023

  • 关于多对象遮挡的鲁棒实例分割推理

    本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过 bounding box 监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。

    Dec, 2020

  • 基于自我中心视角的未来车辆本体定位技术研究

    本文介绍了一种新颖的方法来同时预测自动驾驶中车辆的位置和规模，这主要是通过使用多流递归神经网络编码器 - 解码器模型来实现，在该模型中，密集的光流加入了捕捉运动和外观变化信息的能力。此外，本文还发现明确建模车辆的未来运动可以提高预测准确性。

    Sep, 2018

  • CAR-Net: 明视注意力循环网络

    提出了利用空间导航环境和行为之间的依赖关系进行路径预测的可解释框架，利用 Clairvoyant Attentive Recurrent Network（CAR-Net）解决路径预测任务，并成功地应用于 Formula One 赛道、Stanford Drone 数据集等多个数据集上，并具有良好的泛化能力。

    Nov, 2017

  • 自动驾驶快速场景理解

    本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

    Aug, 2017

  • IntentNet: 从原始传感器数据中学习预测意向

    该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型，以识别其他交通参与者的意图，并实现减少自动驾驶应用程序反应时间的目的，与分离模块相比达到更高的准确性和节省计算资源。

    Jan, 2021