提出了一种改善自动驾驶车辆在冬季道路中驾驶挑战的方法，通过使用无人机和自动驾驶车辆的模型来分割和估计道路宽度，为自动驾驶汽车提供最新的准确信息，增强其在冬季环境下的适应能力和决策能力。

Jun, 2024

通过改进标注流程和提出的分类体系，我们训练了一个深度学习模型来识别室外天气和危险的路况，从而实现对新情景和环境的快速反应。我们在 F1 得分上相对于基线模型提高了 16%，同时保持了 20 Hz 的实时性能。

May, 2024

通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

Jun, 2024

本文提出了一种考虑不确定环境模型中的运动规划方法，将可视性和交互性纳入考虑范围，在优化的运动规划器中集成应用这些条件，从而保证车辆在最坏情况下避免碰撞。

Oct, 2018

本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

May, 2020

我们提出了一种名为 V2X-DGW 的领域泛化方法，用于在恶劣天气条件下基于 LiDAR 的多智能体感知系统中进行 3D 目标检测。通过学习仅在良好天气数据上，在不良天气条件下实现令人满意的多智能体性能，这是我们研究的目标。通过模拟三种常见的恶劣天气条件对两个广泛使用的多智能体数据集的影响，我们创造了两个新的基准数据集：OPV2V-w 和 V2XSet-w。我们首先引入了自适应天气增强（AWA）来模拟未见的恶劣天气条件，然后提出了两种适用于泛化表示学习的对齐方法：Trust-region Weather-invariant Alignment（TWA）和 Agent-aware Contrastive Alignment（ACA）。广泛的实验结果表明，我们的 V2X-DGW 在未见的恶劣天气条件下取得了改善。

Mar, 2024

本研究旨在探究 SAM 在自动驾驶中的应用，尤其是在恶劣天气条件下的鲁棒性，为未来的应用提供有价值的见解。

Jun, 2023

为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

Aug, 2022

在这篇论文中，我们提出了一种适用于各种天气条件下的多模态图像融合模型，该模型具有抵抗不同天气干扰的能力，并在极端天气条件下展示出出色的细节恢复和多模态特征提取能力。

Feb, 2024

通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022