基于多个深度学习技术的视觉感知线路预测系统可用于自动驾驶车辆，通过管辖车辆分割和自车轨迹预测的联合任务，综合表示周围车辆的鸟瞰视角并使用时空概率网络进行轨迹预测。

Dec, 2023

本文提出了一种基于图神经网络的方法，通过对于场景中物体的空间关系，从单目图像中预测出鸟瞰地图中的物体，从而解决了现有基于纹理的模型在距离摄像机较远时定位错误率增加的问题，并在三个大规模数据集上取得了最新的最佳结果，包括了相对于 nuScenes 数据集上 50% 的提升。

Apr, 2022

本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹，使用 U-net 模型作为预测核心，发现使用高斯表示车辆的 U-net 模型是性能最好的配置，预测误差比基准方法降低了 50%。

Jul, 2022

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

自动驾驶汽车的导航系统需要准确理解周围环境，本文提出了一个替代方法，通过生成场景的顶视图，提取其他车辆相对于自我车辆的距离和方向，同时通过将透视图 RGB 图像转换为鸟瞰地图的方法，有效捕捉了自动驾驶汽车所需的重要环境信息。

Nov, 2023

本篇论文提出了一种新的端对端架构，可以从任意数量的不受约束的相机视图中学习 3D 表征，无需深度监督，并且具有与 BEV 相关的内置几何结构，该模型在标准 BEV 视觉任务（例如基于相机的 3D 物体检测和 BEV 分割）中具有优异的性能。

Jun, 2022

本论文研究使用单个车载相机图像提取代表局部道路网络的有向图，以及在鸟瞰视角下检测动态物体的问题，并验证了该方法优于基线模型的有效性。

Oct, 2021

通过设计评估鲁棒性的 RoboBEV 基准套件，我们评估了包括检测、地图分割、深度估计和占用预测在内的 33 种 BEV 感知模型的性能，并观察到在分布内数据表现良好的模型对分布外挑战具有鲁棒性，同时也强调了预训练和无深度 BEV 变换等策略在提高对分布外数据鲁棒性方面的有效性。

May, 2024

探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究，提出了在主动学习框架中的轨迹状态聚类和采样方法，旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择，在训练数据中促进多样性，证明了方法在轨迹预测任务中的有效性，使用 nuScenes 数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升，甚至在仅使用 50% 的数据成本下达到次基线位移误差。结果表明，在解决 “冷启动问题” 方面，最初采样典型数据有助于，而随着训练池大小的增加，引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习，证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。

May, 2024

本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

Jun, 2017