自动驾驶之心

目前3D目标检测领域方案主要包括基于单目、双目、激光雷达点云、多模态数据融合等方式，本文主要介绍基于激光雷达雷达点云、多模态数据的相关算法，下面展开讨论下~

自监督学习（SSL）已经成功应用于CNN和GNN中，以实现高可迁移、泛化性和鲁棒性的表示学习。但是在自动驾驶运动预测方向的探索工作却比较少。论文首次将自监督学习运用于运动预测，方法名为SSL-Lane

光流估计是计算机视觉研究中的一个重要方向，其不像其他感知任务会显式的在应用中呈现。如今，光流估计也在基于视频的任务中承担着越来越重要的作用。

在过去几年中，自动驾驶一直是最受欢迎和最具挑战性的话题之一。在实现完全自主的道路上，研究人员利用了各种传感器，如激光雷达、相机、惯性测量单元（IMU）和GPS，并开发了用于自动驾驶应用的智能算法。

本文提出了一种在线联合时空标定的视觉-激光雷达算法；设计了一个双向损失函数，避免了单向投影可能导致的局部最优，从而获得了更稳定的性能；并结合来自视觉里程计的延迟估计，同时估计了外参和延迟。

Corner cases(CC)是指不经常出现或一些极端的场景数据，也是一种长尾问题的表现形式。然而，对于感知模型来说，CC非常重要。

论文针对三维激光雷达点云的有效目标检测问题开展了研究。基于此，论文提出了一种高效的单级基于point的3D目标检测器，称为IA-SSD。

今天分享图森打榜Waymo开放数据集3D语义分割任务的技术报告，整篇文章读下来比较通透。比较经典的打榜思路，尤其是后面的多任务学习、两阶段优化，有打榜或训练大模型需求的小伙伴可以仔细读读~

电线杆和建筑物的轮廓是城市道路上随处可见的物体，可为计算机视觉提供可靠的提示。为了重复提取它们作为特征并在离散的LiDAR帧之间实现关联以进行点云匹配。