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.

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取>>点击进入→自动驾驶之心『SLAM』技术交流群论文作者|3D视觉之心编辑 | 自动驾驶之心写在前面&笔者的个人理解在过去的二十年里，SLAM领域的研究经历了重大的发展，突出了其在实现未知环境的自主探索方面的关键作用。这种演变从手工制作的方法到深度学习时代，再到最近专注于神经辐射场（NeRFs）和3D高斯泼溅..

构建端到端融合架构，将运动补偿后的4D雷达点云（经雷达稀疏编码器提取空间特征）与LiDAR特征通过自适应融合（Adaptive Fusion）结合，并引入动态前景增强机制，在VoD数据集上实现73.30% mAP（全区域）与88.68% mAP（行车通道），尤其对行人（69.67% AP）和骑行者（96.25% AP）检测性能显著提升，验证了运动信息对动态目标检测的有效性。训练时，偏移量损失基于真

又是如何渲染出二维图像？为此，我们选择了当下应用最广泛的gsplat，其对3DGS的pytorch版本进行了代码重构的开源项目，并提升了原版代码的训练效率，且仓库十分活跃，目前已经支持很多主流算法，非常适合科研及工程应用。动态场景重建能够建模物体随时间运动的变化，世界不是静止的，物体在移动，色彩在变化。为此，我们联合业内头部自动驾驶公司算法专家，联合展开了业内首门面向3DGS全栈实战小班课，Cov

前十年自动驾驶，后十年具身只能，一位资深自动驾驶从业者这样和我们说。具身智能是什么？具身智能广义上是指具有物理身体的智能体，能够与环境进行互动，感知周围世界，自主学习、决策并执行任务。说到这里，像人形机器人、四足机器人、机械臂系统、自动驾驶系统算广义上的具身智能，能够感知周围环境并作出反应或执行。GPT这类大模型从狭义上理解，当然也可以算。如果再来看工业界的产品落地，扫地机也是，只是没有那么智能罢