这篇论文介绍了一种用于预测不确定性量化的基准测试方法，通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性，发现证据深度学习方法在高效量化不确定性方面表现最有潜力，提出了适用于高度不平衡数据的 Uncertainty-Focal-Cross-Entropy (UFCE) 损失函数，以及增强模型对高不确定性像素关注的缺空缩放规则项能够提高确定性不确定性量化。

May, 2024

通过未来融合的自我监督学习方法，提出解决资源受限型越野车辆感应分辨率有限的问题，以完成高分辨率 BEV 地图的自主预测，为后续任务提供更好的长期预测能力。

Mar, 2024

通过使用 LiDAR 强度参数来增强离线道路环境下的物体分割，我们的方法在 RELLIS-3D 数据集上得到了有希望的结果，为学习基于语义分割框架的预测准确性提供了补充输入。

Jan, 2024

在该研究中，我们使用 LIDAR 数据和已标注的离路 LIDAR 数据集来生成 RADAR 标签，并将 RADAR 数据表示为图像，从而应对离路情景下 RADAR 数据的语义分割的固有复杂性。通过实际数据集的验证，我们的实用方法突显了 RADAR 技术在离路环境导航应用中的潜力。

Oct, 2023

本文提出了一种利用多视角 LiDAR 返回和摄像头图像的终端到终端物体检测和轨迹预测方法，使用 Bird's-Eye View (BEV) 网络的状态 -of-the-art 融合历史 LiDAR 数据和高清地图的体素化特征来执行检测和预测任务。在此基础上，我们使用 LiDAR Range-View （RV）功能扩展了此模型，使用 LiDAR 原始信息的非量化表示。RV 特征图被投影到 BEV 中，并与计算自 LiDAR 和高清地图的 BEV 特征融合。最终输出检测和轨迹，这是一个单一的可训练终端到终端网络。在实际的无人驾驶车辆数据和公共 nuScenes 数据集上，所提出的多视角融合方法的表现都优于最先进的技术，并且增加了较少的计算成本。

Aug, 2020

本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

May, 2021

提出了一种基于证据的语义映射方法，通过将证据深度学习集成到语义分割网络中，获得语义预测的不确定性估计，并将此不确定性融入到一个能够在感知性环境具有挑战性的场景中提高可靠性的不确定性感知成核推理中，通过自适应处理语义不确定性，在之前未见过的环境中构建了强健的环境表达，详尽的实验证明了该框架在高感知不确定性场景中提高了准确性和鲁棒性，始终优于现有方法。

Mar, 2024

基于学习的方法利用仅通过机载自我中心图像实时预测长距离地形高程图，在复杂和非结构化地形中实现自主越野机器人导航，并优于现有方法。

Jan, 2024

本文提出了一种有效的基于 LiDAR 的语义地图构建方法，其中引入了一个 BEV 金字塔特征解码器来学习强大的多尺度 BEV 特征，以大大提高基于 LiDAR 的方法的准确性；此外，还提出了在线相机到 LiDAR 蒸馏方案来促进从图像到点云的语义学习，通过对挑战性 nuScenes 数据集的实验结果，证明了该方法在自动驾驶中的有效性。

Apr, 2023

本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

Jun, 2019