在高清地图（HDMaps）的辅助下，自动驾驶汽车正逐步驶入城市道路。然而，对高清地图的依赖阻碍了自动驾驶汽车进入缺乏这种昂贵数字基础设施的区域。这一现状促使许多研究人员研究在线高清地图生成算法，但这些算法在远距离区域的性能仍不尽如人意。我们提出了P-MapNet，其中字母P强调我们专注于融合地图先验信息以提升模型性能。具体而言，我们利用了标清地图（SDMap）和高清地图（HDMap）中的先验信息。

三维目标通常表示为点云中的三维长方体。这种表示模拟了经过充分研究的基于图像的2D边界框检测，但存在额外的挑战。三维世界中的目标不遵循任何特定的方向，基于框的检测器很难枚举所有方向或将轴对齐的边界框拟合到旋转的目标。在本文中，我们建议将3D目标表示、检测和跟踪为点。我们的框架CenterPoint首先使用关键点检测器检测目标的中心，然后回归到其他属性，包括3D大小、3D方向和速度。在第二阶段，它使用

例如：假设有512MACC运算单元，运行频率为1GHz，INT8的数据结构和精度，算力为512 x 2（2理解为一个MACC为一次乘法和一次加法，为两次运算操作） x 1 GHz = 1000 Billion Operations/Second = 1 TOPS(Tera-Operations/second)。例如，某个模型需要256000个浮点参数定义，转化为bit 乘以32得8192000bi

精确检测3D点云中的物体是许多应用中的中心问题，例如自主导航、家政机器人和增强/虚拟现实。为了将高度稀疏的LiDAR点云与区域提案网络（RPN）连接起来，大多数现有工作都集中在手工制作的特征表示上，例如鸟瞰投影。在这项工作中，我们消除了对3D点云的手动特征工程的需求，并提出了VoxelNet，这是一种通用的3D检测网络，它将特征提取和边界框预测统一到单个阶段、端到端可训练的深度网络中。

基于LiDAR或RGB-D的目标检测被用于从自动驾驶到机器人视觉的许多应用中。基于体素的3D卷积网络已被用于在处理点云LiDAR数据时增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进的稀疏卷积方法，该方法显著提高了训练和推理的速度。我们还引入了一种新的角度损失回归形式来提高方向估计性能，并引入了一个新的数据增强方法来提高收敛速度和性能。所提

main.cpp 和 CMakeLists.txt 文件，选择合适的 kit（如 GCC 11.4.0，也可以在左侧插件栏 CMake进行配置），并点击左下角 “Build” 、 “Debug” 或者 “Run” 按钮，即可正常运行调试了。” main.cpp 和 CMakeLists.txt 文件，选择合适的 kit（如 GCC 8.1.0，也可以在左侧插件栏 CMake进行配置），并点击左下角

自动驾驶系统（ADS）为汽车行业开辟了一个新领域，为未来的交通运输提供了更高的效率和舒适的体验。然而，恶劣天气条件下的自动驾驶一直是阻碍自动驾驶车辆（AVs）长期达到4级或更高自主性的问题。本文以分析和统计的方式评估了天气给ADS传感器带来的影响和挑战，并调查了针对恶劣天气条件的解决方案。关于每种天气的感知增强的最新技术得到了全面报道。外部辅助解决方案，如V2X技术、当前可用数据集中的天气条件覆盖

这项工作解决了雾天中基于激光雷达的3D目标检测的挑战性任务。在这样的场景中收集和注释数据是非常耗时、费力和成本密集的。在本文中，我们通过将物理上精确的雾模拟到晴朗的天气场景中来解决这个问题，以便在晴朗的天气中捕获的大量现有真实数据集可以重新用于我们的任务。我们的贡献有两方面：1）我们开发了一种适用于任何LiDAR数据集的物理有效雾模拟方法。这使得无需额外费用即可获取大规模雾状训练数据。这些部分合成

早期的工作证明了基于深度学习的点云分割方法的前景；然而，这些方法需要改进，以使其实用。为此，我们引入了一个新模型SquezeSegV2，它对LiDAR点云中的脱落噪声更为鲁棒。通过改进的模型结构、训练损失、批量标准化和额外的输入通道，SquezeSegV2在实际数据上训练时实现了显著的准确性提高。用于点云分割的训练模型需要大量标记的点云数据，这很难获得。为了避免收集和注释的成本，可以使用GTA-V

在本文中，我们讨论了3D激光雷达点云中道路对象的语义分割。特别是，我们希望检测和分类感兴趣的实例，例如汽车、行人和骑自行车的人。我们将此问题表述为逐点分类问题，并提出了一种基于卷积神经网络（CNN）的端到端流水线SquezeSeg：CNN将转换后的LiDAR点云作为输入，并直接输出逐点标签图，然后通过实现为递归层的条件随机场（CRF）对其进行细化。然后通过常规聚类算法获得实例级标签。我们的CNN模