简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
随着特斯拉在AI Day上提出BEV概念,国内外以BEV 为技术栈的感知框架越来越受到大家的认可,这两年几乎离不开BEV这个关键词。站在上帝的视角,BEV非常适合自动驾驶任务,从最初的BEVDet检测方案,到后面BEVFormer、BEVFusion、MapTR、Occupancy等各个任务模型,几乎都以此为基线。目前工业界的自动驾驶技术路线大多围绕三个主要任务展开:3D目标检测、车道线检测、非常
作者|Fangzh 编辑|自动驾驶Daily原文链接:https://zhuanlan.zhihu.com/p/678409689?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→自动驾驶之心技术交流群本文只做学术分享,如有侵权,联系删文前沿导读相较于目前的基于BEV空间的3D感知算法,Occupancy Network算法可以更好的克服感知任务中存在的长尾问...
2024年是自动驾驶功能集中爆发的一年,各类主流方案如BEV检测、在线地图、occupancy networks、时序模型都陆续上车,功能层面上越来越接近L3,,甚至L4级别的功能也陆续具备了。可以说,自动驾驶撑起了整个AI领域的半边天,技术之密集,实属罕见!今天也为大家推荐两个自动驾驶方向的公众号【自动驾驶之心】和【自动驾驶Daily】,专注于自动驾驶技术输出和行业咨询推送,基本完成自动驾驶所有
作者|思悥 编辑| 自动驾驶之心原文链接:https://zhuanlan.zhihu.com/p/884824542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,联系删文导读这篇文章探讨了基于rectified flow和flow-matching的扩散模...
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『具身智能』技术交流群编辑 | 自动驾驶之心写在前面机器人对物体部分进行高效且零样本抓取的能力对于实际应用至关重要,并且随着视觉语言模型(VLMs)的最新进展而变得越来越普遍。为了弥补支持这种能力的表示中的二维到三维差距,现有方法依赖于通过可微渲染或基于点的投影方法的神经场.
编辑|深蓝前沿点击下方卡片,关注“自动驾驶之心”公众号ADAS巨卷干货,即可获取点击进入→自动驾驶之心技术交流群后台回复【分割综述】获取语义分割、实例分割、全景分割、弱监督分割等超全学习资料!引言在自动驾驶系统中,可行驶区域分割是一项重要的任务。可行驶区域的提取是ADAS的关键技术,旨在使用传感器感知技术感知驾驶车辆周围的道路环境,识别并分割出当前驾驶场景下可行驶的区域,防止偏离车道或违规驾驶..
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【大模型】技术交流群论文作者|Wenhai Wang编辑 | 自动驾驶之心写在前面&笔者的个人理解大型语言模型为智能驾驶开辟了新的格局,赋予了他们类似人类的思维和认知能力。本文深入研究了大型语言模型(LLM)在自动驾驶(AD)中的潜力。进而提出了DriveMLM,这是一种基于LLM的..
点击下方卡片,关注“自动驾驶之心”公众号ADAS巨卷干货,即可获取今天自动驾驶之心为大家汇总一下国内高校在自动驾驶研究方向比较活跃的团队,供大家学习参考。>>点击进入→自动驾驶之心【全栈技术】交流群编辑 | 自动驾驶之心一、北京1、清华大学车辆与运载学院智能出行研究所等李克强院士、杨殿阁、李升波等http://www.svm.tsinghua.edu.cn/index.html2...
21年下半年开始,BEV感知席卷了整个自动驾驶感知领域!从动态感知代表作BEVDet/BEVFormer,到静态感知MapTR,再到端到端自动驾驶UniAD。所有里程碑算法的背后都是BEV的基座!BEV感知相当于给自动驾驶开启了“上帝视角”,能够让车辆无遮挡的“看清”道路上的实况信息,在BEV视角下统一完成感知和预测任务。不仅仅是感知模块,甚至基于BEV进行的规划决策也是学术界研究的方向。而在20
L0:人工驾驶,驾驶员执行全部的驾驶任务。L1:辅助驾驶,在适用的设计范围下,驾驶自动化系统(driving automation system)可持续执行横向或纵向的车辆运动控制的某一子任务(不同时进行),驾驶员负责执行其他的动态驾驶任务。L2:部分驾驶自动化,在适用的设计范围下,驾驶自动化系统(driving automation system)可持续执行横向或纵向的车辆运动控制任务(不同时进