目录简言文献地址：重要网址（该项目持续更新中）摘要1、介绍2、基础概念2.1 3Dobjectdetection 2.2 Datasets2.3 Evaluationmetrics2.3.1 评估指标类-12.3.2 评估指标类-22.3.3 评估指标对比3、基于Lidar的三维目标检测3.1 基于数据表示的3D检测方法3.1.1 基于点的3D物体检测3.1.2 基于网格的3D物体检测持续更新中。。。。。。。。。。。。。。。。。。。。。。简言 最近在整理一些3D检测的算法，之前在服务器上跑了PointPillars和CenterPoint，研究了下OpenPCDet和mmdetecti
摘要可靠的城市自动驾驶取决于车辆感知和导航环境的能力。本论文的研究重点是设计并实现一个基于视觉的NUSTAG自动驾驶汽车感知系统。主要任务是使用立体相机馈送来估计汽车、自行车和行人的位置，从而实现3D边界框估计和深度感知。此外，使用2D对象检测和分类来检测道路标志和交通灯。在NVIDIAJetsonXavier开发套件中并行实施所有这些深度学习算法的主要挑战是通过优化模型来实时执行推理。这是使用ROS接口的TensorRT框架完成的。这些模型已根据我们的要求进行了训练，以便在我们的操作设计领域内产生有效的结果。关键词-深度学习，3D物体检测，自动驾驶汽车，模型优化，TensorRT框架，ROS
我有一个网站，我将流量分成两个用户组“学习者”和“教师”。我将他们的用户组保存在一个session变量中，并将他们定向到他们网站的相关部分。由于搜索引擎没有设置user_typecookie，我遇到了搜索引擎无法索引站点的问题。有没有一种方法可以让搜索引擎抓取工具访问网站的两个部分(目前它陷入了从user_type选择页面到主页的循环)。理想情况下，我还希望能够允许爬虫访问仅限成员(member)的资源，因为学习者司机将能够访问我希望只有在登录后才能访问的内容。检查session变量user_type的代码在下面，并在每个页面上调用(因此没有任何内容被抓取)if($check_exis
【论文笔记】ForgingVisionFoundationModelsforAutonomousDriving:Challenges,Methodologies,andOpportunities原文链接：https://arxiv.org/pdf/2401.08045.pdf1.引言传统的自动驾驶（AD）感知系统使用模块化结构和精心设计的算法处理专门的任务，但这些被划分的组件优先考虑单个任务的性能，而牺牲了更广泛的上下文理解和数据关系。大型基石模型通常在大量而丰富的数据集上训练，也会使用自监督技术。一旦训练完成，可以通过微调来处理各类特定任务。目前的大参数模型可以进行少样本学习，从而可以处理分
目录概述细节背景常用数据集及其评价指标基于RGB图像的算法基于点云的算法基于RGB图像与点云模态融合的算法概述这是一篇21年的综述，介绍了3D目标检测背景、传感器以及基于传感器的算法分类及其特点。细节背景3D目标检测的地位：是无人驾驶中感知模块的核心基础3D目标检测的主要问题：目标检测的核心是定位+分类，分类的问题其实不大，限制算法性能的最主要因素还是定位误差。3D目标检测中的传感器：3D目标检测中使用的传感器主要可以分为两类，一类是无源传感器（passivesensors）另一类是有源传感器（activesensors）。这两类中用的最多的就是单目相机和激光雷达了。单目相机：优点：便宜且适用
Self-DrivingDatabaseManagementSystemsMySummaryABSTRACT之前的advisorytools来帮助DBA处理系统调优和物理设计的各个方面，都仍然需要人类对数据库的任何更改做出最终决定，并且是在问题发生后修复问题的反动措施reactionarymeasures。Antruly“self-driving”databasemanagementsystem(DBMS)是针对autonomousoperation(自主操作)设计的全新架构。系统的所有方面都是由一个integratedplanningcomponen综合规划组件来控制。该组件不仅针对当前的工
原文链接：https://arxiv.org/abs/2303.100761.引言本文提出基于环视图像进行3D占用估计的简单框架，探索了网络设计、优化和评估。网络设计方面，虽然输出形式与单目深度估计和立体匹配不同，但网络结构与立体匹配网络相似（如下图所示），可以使用立体匹配的经验设计网络。优化方面，可以基于渲染深度图和点级分类标签，使用监督学习或自监督学习。评估方面，受体积渲染启发，引入基于距离的占用评估指标，这比其余指标更加公平；此外该指标只需要点云作为真值。3.方法3.1准备知识本节介绍了NeRF的体积渲染公式，见神经辐射场的简单介绍。3.2模型设计如上图所示为本文的端到端占用预测网络Q:
原文链接：https://arxiv.org/abs/2311.152601.引言神经辐射场（NeRF）应用在自动驾驶中，可以创建可编辑的场景数字克隆（可自由编辑视角和场景物体），以进行仿真。但目前的方法或者需要大量的训练时间，或者对传感器的建模过于简单（导致仿真和真实数据的间隙），或者性能较低。本文提出NeuRAD，一种可编辑的新视图合成模型。该方法可以处理大型自动驾驶场景，建模了重要的传感器特性（如相机的卷帘式快门、激光雷达的光束发散）。此外，本文的模型简单，其中静态和动态元素通过位置嵌入分辨。NeuRAD有泛化性和SotA性能。3.方法本文的NeuRAD在各数据集上均有低重建误差和推断时
Cam4DOcc:BenchmarkforCamera-Only4DOccupancyForecastinginAutonomousDrivingApplications原文链接：https://arxiv.org/abs/2311.17663I.引言现有的基于相机的占用估计方法仅估计当前和过去的占用状态，但自动驾驶汽车需要未来的环境条件。本文提出首个相机4D占用预测基准Cam4DOcc，包含数据集的新格式、各种基准方案，以及标准化的评估协议。数据集包含序列的语义和实例标签以及占用网格的反向向心流；基准方案包括静态世界占用模型、点云体素预测、2D-3D基于实例的预测，已经端到端4D占用预测网络
使用的环境是ubuntu20.04问题1.安装g2o没有问题，不过在编译整个项目工程时候报错：”openmp_mutex.h:30:10:fatalerror:g2o/config.h:Nosuchfileordirectory“:解决办法：只需要将/thirdparty/g2o/build/g2o下的config.h放到/thirdparty/g2o下：问题2.Noruletomaketarget’gmock’，neededby'../bin/test_preintegration'.stopsrc/ch4/CMakeFiles/test_preintegration.dir/all]Err
