作者|CalebDu编辑| 自动驾驶之心原文链接：https://zhuanlan.zhihu.com/p/693279132点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『大模型』技术交流群本文只做学术分享，如有侵权，联系删文毕业一年了，一直在从事大模型推理相关的工作。工作中最常拿来比较的LLM推理框架就是v...

然而，现有大模型驱动的自动驾驶理解方法大多面向规则清晰的城市场景，一旦进入无车道、无规则、传感器更容易退化的越野环境，系统就很容易在黑夜、雨雪、雾霾等条件下出现单模态失效，导致描述不稳、规划不准。在 OR-C2P 和 SC 数据集上，Wild-Drive 与 Mini-GPT4、LLaVA1.5、InstructBLIP、LLaMA-AdapterV2、LiDAR-LLM、BEV-LLM 等方法进

作者|CalebDu编辑| 自动驾驶之心原文链接：https://zhuanlan.zhihu.com/p/693279132点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『大模型』技术交流群本文只做学术分享，如有侵权，联系删文毕业一年了，一直在从事大模型推理相关的工作。工作中最常拿来比较的LLM推理框架就是v...

其核心问题在于如何获取图像像素的精确深度。相比之下，深度补全融合稀疏 LiDAR 数据与单帧 RGB 图像，能在大规模场景下实现稳健的深度恢复，避免尺度模糊，且能达到接近 LiDAR 的精度。通过快速、轻量、具有泛化能力的稀疏深度补全网络，将 LiDAR 与图像数据有效结合，预测未被 LiDAR 覆盖像素的深度，从而更全面地初始化高斯，缓解重建盲区。其次，尽管 SLAM 系统采用 LiDAR 提供

作者 | wenjtop 编辑 |PaperWeekly点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『BEV感知』技术交流群本文只做学术分享，如有侵权，联系删文前言22 年配置了一套 X299 主板加双 3090 显卡服务器，发现除了显卡，其它性能都远远过剩，完全没有体现出性价比，加上最近大模型比较火，就想着配...

自动驾驶的高速量产，成为今年火热的话题，各家公司都在为生死存亡的机会加班加点。以基于深度学习的3D目标检测算法为核心，自动驾驶系统中的目标感知模块扮演着非常重要的角色。目标感知模块通过传感器接收到3D世界中的实时信息，以此对潜在关注的目标进行尺寸、位置的预测。感知结果的准确程度，将直接影响到后续自动驾驶系统的决策准确性。可以说，3D目标检测算法是影响自动驾驶系统安全性的重要因素。3D目标检测算法通

Tony 等，2024）。在机器人应用场景中，还面临环境建模不精确的难题，难以准确模拟现实环境的复杂性，以及奖励函数设计困难的问题，难以制定合理有效的奖励机制引导智能体学习，同时在高维动作和感知空间中探索效率较低，学习过程缓慢。具体来说，先从制造商提供的机器人模型文件出发，随机采样参数组合初始化多个模拟环境，接着在真实机器人硬件和模拟环境中并行执行关节位置目标的校准序列，通过比较跟踪误差，选择能最

点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享香港理工大学Mamba最新的综述！如果您有相关工作需要分享，请在文末联系我们！>>点击进入→自动驾驶之心『Mamba』技术交流群论文作者|Haohao Qu等编辑 | 自动驾驶之心写在前面&笔者的个人理解深度学习作为一项重要技术，引发了人工智能（AI）的一场非凡...

最近和不少刚接触自动驾驶的小伙伴聊了聊，发现很多同学都处在相对懵逼的阶段。怎么前两年还是BEV感知、3D目标检测、在线高精地图之类的方向，咋一年不到遍地都是端到端、大模型了。。。这些方向的算力要求实验室根本满足不了，有没有那种适合毕业科研并且算力要求比较低的方向？后面工作上也有应用场景？有！还真有！！！这个方向就是三维重建领域的3D Gaussian Splatting！相比于隐式神经网络的黑盒表

为了解决这些问题，我们引入了L4DR，这是一种天气鲁棒的3D目标检测方法，可以有效地实现LiDAR和4D雷达的融合。它在不同雾度下提供了显著的性能提升，与传统的仅使用激光雷达的方法相比，3D mAP提高了20.0%。随后，我们提出了一种新的用于3D目标检测的协同LiDAR-4D雷达融合流水线，并采用各种融合策略来实现。除此之外，我们的MDD模块在雾/雪条件下将base融合模型的性能进一步提高了5.