本文是2020年的综述论文《Deep Reinforcement Learning for Autonomous Driving: A Survey》的部分内容节选。翻译稿全文共2万6千字，本文略掉了第3、4节强化学习理论的介绍及扩展部分。随着深度表征学习(deep representation learning)的发展，强化学习（RL）领域已经形成一个强大的学习框架，并且如今已经具备在高维环境中

Deep Whole-body Parkour 提供了一个“如何让机器人既会做精细全身动作，又能适应环境变化”的可行路径。以前的人形控制，要么是“感知强、动作弱”，要么是“动作强、感知弱”，这次的融合思路，其实更贴近人类的运动模式——我们做跑酷动作时，也是边看障碍物边调整手、脚的位置，而不是先背一套动作再硬套。当然，这条融合路径未来要走的路还很长：比如如何让机器人自主选择动作？如何处理弹性、可变形

©️【深蓝AI】编译该成果已被IEEE RAL收录论文题目：IntNet: A Communication-Driven Multi-Agent Reinforcement Learning Framework for Cooperative Autonomous Driving论文作者：Leandro Parada; Kevin Yu; Panagiotis Angeloudis论文地址：htt

前言CW前阵子玩了下人体姿态估计，用上了微软新鲜出炉的算法——DEKR: Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression。 这个工作挺大胆的，它采用直接回归关键点坐标的方法，在COCO和CrowdPose两个数据集上干掉了此前那些基于关键点热度图(heatmap)检测并组合的方法。DEKR的个性在于，它独立地

本文是对文章《TEASER：Fast and Certifiable Point Cloud Registration》的解读。摘要这篇文章提出了第一个快速且可证明的算法，用于存在大量外点对应的情况下两组3D点的配准。可证明的算法尝试求解一个困难优化问题(比如带外点的鲁棒估计)，提供相对容易的检测条件验证返回的解是否最优(比如，如果算法在外点存在情况下产生最精确的估计)或者界限解的次优性或精确性。

为了区分可导航的空间和不可导航的空间，文章作者设计了一组描述清洁且可导航环境的正向提示，例如：“一张（平坦|开放|宽阔|清晰的）{地板|地面|走廊}的照片”，以及一组描述被障碍物堵塞的空间的负向提示，例如：“一张[裁剪|模糊|不完整]的（被阻挡|杂乱|拥挤的）{场景|空间}的照片”和“一张（大|阻挡通道的）{物体|物品}的照片”。本论文提出了ClipRover，一个新颖的框架，利用通用视觉语言模型

本文总结于王岩博士在2021年9月11日在深蓝学院的公开课。王岩博士就读于康奈尔大学，提出的基于伪点云的纯视觉3D物体检测算法广泛应用于工业界。本次的讲座分为如下几个部分，第一个是关于用相机做深度估计和背景检测的背景和动机，第二个是单目和双目深度估计算法的基础，第三个是关于深度检测的优化和提升，第四个是关于目前存在的问题。首先，为什么要做3d物体检测，因为在自动驾驶场景中，我们通常需要去感知场景中

从BEV到端到端，又返回纯视觉？

在这项研究中，作者展示了通过改进关节检测，尤其是利用预训练的ViT模型和增加足部关节，在遮挡情况下大幅提升了人体方向估计的准确性。在Human3.6M数据集上的提升高达22%，在自建数据集上的提升也达到了16%。此外，研究还提出了一种自监督的置信度估计方法，相比传统方法能更好地过滤不确定的预测样本。尤其是在机器人跟随任务中，Part-HOE方法表现出了明显的优势。然而，尽管取得了这些进展，该方法仍

本研究提出了一种新颖的3D视觉语言模型的生成式规划方法，用于端到端自动驾驶。