自主驾驶模拟中的主动数据采集
本研究描述了一个可扩展的主动学习系统，旨在改善在自动驾驶中监督学习的数据效率，主要围绕深度神经网络、有监督学习、主动学习、自动驾驶和数据效率展开，同时探讨了一些挑战及其解决方法，并简要描述了未来发展方向。
Apr, 2020
通过规划导向的主动学习方法，本研究探索了如何在自动驾驶中实现样本和标注的高效利用，实验证明该方法在性能上远超过一般的主动学习方法，并且仅使用了 30% 的 nuScenes 数据就取得了与最先进的端到端自动驾驶方法相媲美的性能，希望本研究能激发未来从数据为中心的角度探索端到端自动驾驶的相关研究。
Mar, 2024
该研究提出了一个利用主动学习框架从实时收集的数据中，对自动驾驶车辆进行正确分类的方法，该方法通过有效处理贫乏且嘈杂的数据，并在数据质量和多样性之间进行权衡，从其他车辆接收的信息以及有关自身传感器的信息进行数据分析，从而实现高准确度的分类，而该方法相比其他现有的解决方案，具备数据传输带宽要求低的优势。
Feb, 2020
在自动驾驶数据集中，采用主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。我们展示了使用信息熵查询来选择信息丰富的样本，旨在降低注释成本和提高模型性能的有效性。我们在 nuScenes 数据集上使用 BEVFusion 模型进行了实验，将主动学习与随机抽样进行比较，并证明信息熵查询在大多数案例中表现优异。该方法在减少多数类和少数类之间的性能差距方面特别有效。类别特定的分析揭示了对有限数据预算进行注释资源的有效配置，强调选择多样性和信息丰富的数据用于模型训练的重要性。我们的发现表明，在资源受限的环境中，信息熵查询是选择增强模型学习的数据的一种有前途的策略。
Jan, 2024
自动驾驶发展迅速，硬件和深度学习方法的新进展表现出了良好的性能，高质量的数据集对于开发可靠的自动驾驶算法至关重要。本研究全面调查了 200 多个自动驾驶数据集的多个方面，并引入了一种新的评估指标来评估每个数据集的影响，为建立新的数据集提供了指导。此外，还分析了数据集的注释过程和质量，并对几个重要数据集的数据分布进行了深入分析。最后，讨论了未来自动驾驶数据集的发展趋势。
Jan, 2024
本研究综述了合成数据集生成方法的演变，并回顾了应用于自动驾驶研究的单任务和多任务合成数据集的相关工作，讨论了其在自动驾驶相关算法测试中的作用，尤其是在可信性和安全性方面。此外，该综述还讨论了合成数据集在自动驾驶技术实际部署方面的问题，并提供了一种可能的解决方案。
Apr, 2023
增长的自动驾驶功能的复杂性和重要性，导致了对在虚拟环境和模拟模型中覆盖开发、验证和验证的显著比例的需求。我们提出了一种系统获取公共交通数据的方法，通过异构手段转换为统一表示，并用它来自动参数化交通行为模型，以用于数据驱动的自动驾驶功能的虚拟验证。
May, 2024
通过协作抽样策略，自主汽车之间的合作数据收集被视为 $n$ 个玩家数学游戏，该策略能最小化信息用于收敛到具有所有自主汽车完整信息的集中式观测策略，并展示在感知数据集中的表现优于贪心抽样
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