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

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

本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案，包括基于 YOLOv3 的物体检测，姿态估计和双目 / 单目视觉摄像头的时间同步，强调了适用于赛车领域的感知卷积神经网络的修改，姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估，证明其在实际赛车场景中具有准确性和低延迟性。

Jul, 2020

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

本文系统分析了 250 多篇论文，涵盖了自主驾驶的动机、路线图、方法论、挑战和未来趋势，并深入探讨了多模态、可解释性、因果混淆、健壮性和世界模型等若干关键挑战，同时讨论了基础模型和视觉预训练的最新进展，以及如何在端到端驾驶框架中整合这些技术。

Jun, 2023

这篇研究论文介绍了一种多传感器平台，可以更有效和准确地感知车辆周围的环境，收集了一组新的自动驾驶数据集，并公开给社区研究人员使用。

Sep, 2019

自动驾驶引起学术界和工业界的广泛关注，但目前的自动驾驶系统大多基于单一车辆，存在较大限制，可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战，如数据共享异步性、数据量和姿态误差等。然后，我们讨论了使用各种技术解决这些挑战的可能方法，并阐述了相关的研究机会。此外，我们提出了一种应对通信效率和延迟问题的方案，即一种通道感知的协作感知框架，通过动态调整通信图并减小延迟，提高感知性能和通信效率。最后，我们进行实验证明了我们提出方案的有效性。

Jan, 2024

研究挑战：将运动预测模型应用于由感知模块提供输入的更加真实场景，并通过综合评估量化领域差距的影响，并设计合成扰动以更好地表征其后果，从而提供有关上游感知模块中需要改进的领域的见解和指导。

Jun, 2023

本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合，以及在车辆感知中的数据集、度量、挑战和开放性问题，这些元素对于提高自动驾驶系统的普及率具有重要意义。

Mar, 2023

这篇论文总结了 RoboDepth 挑战中的获胜解决方案，重点关注鲁棒的自监督和全监督深度估计，涉及了深度估计、挑战赛、深度预测、超分辨率和降噪等方面的创新设计。

Jul, 2023