- IntentNet: 从原始传感器数据中学习预测意向
该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型，以识别其他交通参与者的意图，并实现减少自动驾驶应用程序反应时间的目的，与分离模块相比达到更高的准确性和节省计算资源。
- SceneGen: 学习生成逼真交通场景
本文提出了一个名为 SceneGen 的神经自回归模型，可自动地生成真实交通场景，该模型可用于训练和测试自动驾驶车辆的感知模型。
- 学习沟通和纠正姿态误差
本文针对 V2VNet 提出了一种基于神经推理框架的学习通信方法，用于改善多智能体自动驾驶感知和运动预测系统在存在实际和严重本地化噪声情况下的鲁棒性。
- ECCV从模式中跟踪：学习点云中对应模式进行 3D 物体跟踪
本文提出了一种基于学习的 3D 物体跟踪方法，通过从时间点云数据中学习物体对应关系和运动信息的模式，利用 lidar 数据和运动估计技术进行跟踪，以及采用简单有效的速度平滑模块对物体的运动进行估计，从而在 KITTI 和更大规模的 Nusc - ECCVV2VNet: 车辆间通信用于联合感知和预测
本文旨在探讨利用车辆间通信（V2V）来提高自动驾驶汽车的感知和运动预测性能，通过聚合来自多个附近车辆的信息，我们可以从不同视角观察相同的场景，可以穿透遮挡物并检测长距离的行为者，通过使用压缩的深度特征图激活的方法，达到高精度的目的，同时满足 - ECCV通过模拟感知和预测来测试自动驾驶汽车的安全性
本论文提出了一种新方法，通过模拟自动驾驶汽车感知和预测系统的输出，以可靠地进行运动规划测试，从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练，从而预测在线系统的输出。此外，我们的方法以高清地图、 - ECCV通过可解释的语义表示感知、预测并规划安全运动
本论文提出了一种全新的端到端可学网络，它可以对自动驾驶车辆进行联合感知、预测和运动规划，并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致，通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习 - CVPRLiDARsim: 通过利用现实世界，实现逼真的激光雷达模拟
本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。
- CVPRPnPNet: 带有循环追踪的端到端感知与预测
我们提出了 PnPNet，这是一种针对自动驾驶车辆中的联合感知和运动预测问题的端到端模型，通过在线生成物体轨迹并利用轨迹级特征进行运动预测，PnPNet 在两个大规模驾驶数据集上得到了验证，并显示了比现有技术更好的遮挡恢复和更准确的未来预测 - 任意运动侦测器：从一系列 LiDAR 点云学习无类别场景动态
本文提出了一种新的实时方法，基于三维点云序列，采用时间上下文聚合实现动态检测和运动参数估计，可适用于自动驾驶车辆在复杂城市环境下进行安全导航，不仅可以估计车辆或行人等常见道路参与者的运动，还可推广到其他没有在训练数据中出现的物体类别，并对不 - 基于图像识别的自动驾驶车辆转向角度预测
探讨使用深度学习技术中的 Transfer Learning，3D CNN，LSTM 和 ResNet 来预测自动驾驶车辆的方向盘转角，并在 Udacity 挑战赛中达到前十名。
- CVPR自动驾驶车辆中基于人对车辆的建议的实现
本文提出了通过自然语言引导来提高深度神经控制网络在自动驾驶车辆中的应用，采用了一种可接受建议的端到端车辆控制器，该控制器通过注意机制将控制行为与建议中的显著物体联系起来，并通过自然语言指南来增强网络的性能。
- 离散残差流用于概率行人行为预测
本研究提出了离散残差流网络（DRF）来预测人类的行为，通过预测和更新空间位置的离散分布来有效地捕捉了未来人类活动的多模态后验，与其他模型相比表现更好。
- 从弱监督中进行语义前景修补
本文介绍了使用一种新型的卷积神经网络（MPI）完成语义场景理解中的语义前景修复任务的方法，该方法不需要手动标注背景，并且其比之前最先进的两阶段方法提高了 3% 的 IoU，并在 Cityscapes 测试中表现得更有效率。
- 深度运动学模型用于运动学合理车辆轨迹预测
本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。
- 人体运动轨迹预测：综述
该研究调查了人类运动轨迹预测的现有方法，提出了一个基于运动建模方法和上下文信息水平的分类法，讨论了目前技术的局限性并提出了未来研究的方向。
- 使用深度卷积神经网络进行自动驾驶的多模态轨迹预测
自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。
- ECCV自动驾驶车辆的文本解释
本研究提出了一种基于神经网络、视觉的注意力模型和视频 - 文本模型的内向性解释方法，通过控制器和解释模型之间的注意力导图，生成可解释的行驶模型动作的文本描述，并与外向性解释模型的效果进行比较。
- MM使用 RGB-D 相机进行实时车道标记检测的模板匹配
该论文提出了一种利用单个 RGB-D 相机记录的颜色和深度信息来更好地处理光照条件和类车道物体等负面因素的方法，该方法将颜色和深度图像首先转换为半二进制格式和 3D 点的 2D 矩阵，然后用于模板匹配和几何特征提取处理，以形成一个响应图，其 - 使用计算机视觉技术提高行人安全性：2018 年优步公司自动驾驶汽车事故案例研究
本研究分析 Uber 自動駕駛汽車事故，旨在回答自動駕駛汽車技術是否準備好在公共道路上部署的問題，在此使用最先進的計算機視覺模型，評估各種圖像增強和物體識別技術，以實現在低照度條件下行人安全。