Apr, 2024

SparseAD：高效端到端自动驾驶的稀疏查询中心范式

PDF
TL;DR在此论文中，我们提出了一种以稀疏查询为中心的端到端自动驾驶（SparseAD）范式，其中稀疏查询完全代表了整个驾驶场景在空间、时间和任务上的具体表征。通过针对感知任务设计了统一的稀疏架构，包括检测、跟踪和在线地图绘制。此外，我们重新考虑了运动预测和规划，并设计了更具合理性的运动规划器框架。在具有挑战性的 nuScenes 数据集上，SparseAD 在端到端方法中实现了 SOTA 全任务性能，显著缩小了端到端范式和单任务方法之间的性能差距。具体代码即将发布。
发现论文，激发创造
  • SparseDrive: 通过稀疏场景表示实现端到端自主驾驶

    稀疏驾驶 (SparseDrive) 是一种新的端到端自动驾驶范例，通过使用稀疏表示和并行动作规划，结合多模式问题建模和冲突感知重评分模块，实现了任务性能和效率的显著提升。

    May, 2024

  • 基于语义深度云地图和多智能体技术的端到端自动驾驶

    本文提出了一种深度学习模型，通过端到端和多任务学习方法进行训练，同时执行感知和控制任务，用于自动驾驶车辆的点对点导航；在 CARLA 模拟器上进行评估，同时与其他已有模型进行比较和消融实验，实现了更高的驾驶分数。

    Apr, 2022

  • ActiveAD：面向规划的主动学习用于端到端自动驾驶

    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

  • 基于规划的自动驾驶

    提出一种新的自动驾驶系统框架 UniAD，其将任务的优先级与任务之间的交互结合，以整合现有方法中尚未合并的任务，实现更高水平的自动驾驶。

    Dec, 2022

  • 无需昂贵模块化和 3D 手动标注的端到端自动驾驶

    我们提出了 UAD，一种基于视觉的端到端自动驾驶 (E2EAD) 方法，在 nuScenes 中实现了最佳的开环评估性能，同时在 CARLA 中显示出强大的闭环驾驶质量。

    Jun, 2024

  • FusionAD: 自动驾驶的预测和规划任务的多模态融合

    FusionAD 是第一个将相机和激光雷达传感器融合的统一框架，通过多模态特征的优势，在感知任务中实现了领先水平。

    Aug, 2023

  • GenAD: 生成式端到端自动驾驶

    提出了一个新的端到端自动驾驶范式，自动驾驶的关键在于预测自车和周围环境随着时间的演变，通过生成建模问题通过 GenAD 框架，模型了自动驾驶问题，并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。

    Feb, 2024

  • 基于时空特征学习的端到端视觉自主驾驶

    该研究旨在提高自主驾驶的性能和安全性，提出了一种解释性的基于视觉的空时特征学习方案，称为 ST-P3，通过端到端方式同时实现感知、预测和规划任务，并在开放循环 nuScenes 数据集和闭环 CARLA 仿真上验证了其优越性。

    Jul, 2022

  • 3D 物体检测的全稀疏融合

    本文研究如何在全稀疏架构中有效利用图像模态，并利用实例查询将 2D 实例分割与 3D 实例分割部分并行集成到 LiDAR 侧，从而实现了统一的基于查询的 2D 和 3D 融合框架，同时保持全稀疏特性。广泛的实验证明了在广泛使用的 nuScenes 数据集和长距离 Argoverse 2 数据集上的最先进性能。值得注意的是，所提出的方法在长距离 LiDAR 感知设置下的推理速度比其他最先进的多模式 3D 检测方法快 2.7 倍。

    Apr, 2023

  • 脉冲神经网络自主驾驶

    Spiking Autonomous Driving (SAD) 是第一个统一的脉冲神经网络（SNN），通过其以事件驱动和高效节能的特性来解决自主驾驶系统面临的能源挑战。通过感知、预测和规划三个主要模块，SAD 在感知、预测和规划任务上取得了竞争性的性能，并借助于 SNN 的能效。该研究突出了神经形态计算在节能自主驾驶中的潜力，是迈向可持续和关键性安全的汽车技术的关键一步。

    May, 2024