通过利用未标记的多次穿越多个位置的方法，我们提出了一种用于自动驾驶汽车的 3D 物体检测系统的快速发展，该方法能够适应新的驾驶环境，并且在检测行人和远处物体方面取得了显著的性能提升。

Sep, 2023

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

引入了一个弱监督标签统一流程，用于合并来自多个训练在异构数据集上的目标检测模型的伪标签，从而构建了一个统一的标签空间，纠正偏见并提高泛化能力。通过对多个数据集上的目标检测模型进行微调，并精确验证伪标签，重新训练一个目标检测模型，最终得到一个在动态交通场景中表现出色的模型，并在具有挑战性的道路条件下充分展示了该方法的有效性。值得注意的是，该方法在目标检测性能方面取得了显著的提升，得到了对领域变化具有更高抵抗力的模型。

Aug, 2023

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

本研究提出了一种新的学习方法通过在原始领域的伪标签上微调探测器来减少自动驾驶汽车在不同环境下的识别差异，据此，研究发现在五组自动驾驶数据集中，探测器在伪标签领域上的微调显著降低了探测器在新的行驶环境中的误判率。

Mar, 2021

通过多任务协作的记忆增强框架（MAMTCF）来无监督地检测驾驶视频中的交通事故，同时对外观变化和目标运动建模，取得了比现有方法更好的性能。

Jul, 2023

本文介绍了自动驾驶学科中第一个大规模视频预测模型。通过从网络获取大量数据并与多样且高质量的文本描述配对，我们消除了高成本数据收集的限制并增强了模型的泛化能力。该数据集积累了超过 2000 小时的行驶视频，涵盖了全球各地不同的气候条件和交通场景。我们的模型名为 GenAD，并继承了最近潜变扩散模型的优点，利用新颖的时间推理块处理行驶场景中具有挑战性的动态。我们展示了它可以以零 - shot 方式泛化到各种未见过的行驶数据集，超过了一般或专门针对行车的视频预测模型。此外，GenAD 可以适应动作条件化预测模型或运动规划器，具有在实际行驶应用中巨大潜力。

Mar, 2024

本文提出了一种自我感知的轨迹预测方法，结合两阶段训练过程来评估在线轨迹预测模块的性能，为实现安全可靠的自主驾驶创造了条件。

May, 2023

通过构建大规模点云数据集，将点云预训练任务形式化为一种半监督问题，并从这样多样化的预训练数据中学习可推广的表示，从而在多个基准模型和基准测试中取得了显著的性能增益。

Jun, 2023

交通事故检测与预测是一项棘手的交通安全问题，本文提出了一项对深度学习时代中视觉交通事故检测（Vision-TAD）和预测（Vision-TAA）的全面调查，探讨了每个研究样本的优劣，并提供了 31 个公开可用的基准和相关评估指标的关键评论，旨在为 Vision-TAD 和 Vision-TAA 任务带来新的见解和可能的趋势。

Aug, 2023