语义激光SLAM

辅助行走机器人开发-下位机

Zookeeper模块解析

在水下环境中部署多机器人系统成本极高、周期很长。因此，在仿真环境中测试算法和软件可以显著加快开发进度，因为它能把软件逻辑与实际硬件分离开来（不用真下水也能调试）。目前已有一个比较好的仿真框架 Angler，它能很好地模拟水下机器人控制中底层通信协议（比如 ArduSub autopilot），因此“逼真度”较高。但是——它不支持多机器人仿真。我们提出：作者提出了对 Angler 的扩展，使其能够支

将场景结构变成显式约束，加到轨迹学习中，不再用稠密 rasterized map 去做规划，而是把场景表示成向量化的车道、边界、其他车辆运动轨迹，在训练时加上规则型约束损失，再把这些作为规划约束，直接指导端到端轨迹生成。针对 BEV 特征图，把车、前景目标、车道这些局部区域裁出来，再把对应的真实信息，比如类别、框、轨迹，写成文本prompt，送进语言模型，得到语义特征；大模型：语言模型里的常识和语

开冲，清华大学的，带HDmap的端论文，用的Query，和UniAD一样。ViP3D：通过三维智能体查询进行端到端视觉轨迹预测注意，这篇论文要输入HDMapPS：Query 是 Transformer 框架里的“查询向量”Agent Query 的核心想法是给场景中每一个潜在的交通参与者分配一个可学习的 Query 向量（就像是给每个人一个“跟踪编号”）这个向量在网络计算时会主动去从传感器特征（比

将场景结构变成显式约束，加到轨迹学习中，不再用稠密 rasterized map 去做规划，而是把场景表示成向量化的车道、边界、其他车辆运动轨迹，在训练时加上规则型约束损失，再把这些作为规划约束，直接指导端到端轨迹生成。针对 BEV 特征图，把车、前景目标、车道这些局部区域裁出来，再把对应的真实信息，比如类别、框、轨迹，写成文本prompt，送进语言模型，得到语义特征；大模型：语言模型里的常识和语

忙忙忙。。。高效自动驾驶的矢量化场景表示以前的工作依赖于dense光栅化场景表示（例如，agent占用和语义图）来执行规划，这是计算密集型的，并且错过了实例级结构信息。所以我们提出了VAD，这是一种端到端的自动驾驶矢量化范式，它将驾驶场景建模为完全矢量化的表示。VAD利用矢量化的代理运动和映射元素作为显式的实例级规划约束，有效地提高了规划安全性VAD通过摆脱计算 dense光栅化表示 和手工设计的

开冲，清华大学的，带HDmap的端论文，用的Query，和UniAD一样。ViP3D：通过三维智能体查询进行端到端视觉轨迹预测注意，这篇论文要输入HDMapPS：Query 是 Transformer 框架里的“查询向量”Agent Query 的核心想法是给场景中每一个潜在的交通参与者分配一个可学习的 Query 向量（就像是给每个人一个“跟踪编号”）这个向量在网络计算时会主动去从传感器特征（比

最近越来越忙了，周末也加班，感觉又陷入了死命加班打补丁的恶性循环。但论文阅读绝不能落下，决定每天从早7点到中午粗颗粒度阅读一篇端方向论文，记录在此，先补充广度，再提高深度。高清地图成本高，很难普及应用。我们提出了MP3，这是一种端到端的无地图驾驶方法。输入：原始传感器数据和高级命令（例如，在十字路口左转）MP3以在线地图的形式预测中间表示以及动态代理的当前和未来状态，并在一种新的神经运动规划器中利