自動駕駛汽車,又稱為無人駕駛汽車、電腦駕駛汽車或輪式移動機器人,是自動化載具的一種,具有傳統汽車的運輸能力。作為自動化載具,自動駕駛汽車不需要人為操作即能感測其環境及導航。完全的自動駕駛汽車仍未全麵商用化,大多數均為原型機及展示係統,部分可靠技術才下放至商用車型,但有關於自駕車逐漸成為現實,已經引起了很多有關於道德的討論。

知識薈萃

更新時間2022.2.21

涵蓋自動駕駛:白皮書、國內外技術報告、最新綜述論文、關鍵技術最新論文(含實現代碼)、數據集、TUM課程講解PPT及視頻等。

行業標準

  1. 2021.7,《自動駕駛數據記錄係統標準製定思路及進展》,中汽中心 汽車標準化研究所,http://www.catarc.org.cn/upload/202107/16/202107161009405028.pdf
  2. 《智能網聯汽車 術語和定義》,國家標準,https://www.autothinker.net/editor/attached/file/20210908/20210908145058_67256.pdf
  3. 《汽車駕駛自動化分級》,國家標準,https://www.chinabuses.com/uploadfile/2020/0310/20200310123023480.pdf
  4. 《自動駕駛車輛測試安全員專業技能要求》,中國智能交通產業聯盟,http://www.c-its.org.cn/Index/downloadnews/id/779.html
  5. 《自動駕駛出租汽車測試運營規範與安全管理要求》,中國智能交通產業聯盟,http://www.c-its.org.cn/Uploads/ueditor/file/20210425/60853212789f2.pdf
  6. 《自動駕駛公交車 第 1 部分:車輛運營技術要求》,中國智能交通產業聯盟,http://www.c-its.org.cn/Uploads/ueditor/file/20211028/617a4a3c9ac05.pdf
  7. 《車輛自動駕駛係統應用職業技能等級標準》,上海淞泓智能汽車科技有限公司,https://pvc-e7031f9b-6522-11e9-883f-fa163e9e2c22.obs.cn-north-1.myhuaweicloud.com/prod%2Fimage%2F2021-03-31%2F15f6337dc4964c4a9b5e693a2d92b5a4.pdf

白皮書

中國信通院

  1. 2022.1,《全球自動駕駛戰略與政策觀察——自動駕駛開啟商業化元年》,36頁,中國信息通信研究院和人工智能與經濟社會研究中心,http://www.caict.ac.cn/kxyj/qwfb/ztbg/202201/P020220126549881872325.pdf

  2. 2021.12,《車聯網白皮書》,44頁,中國信息通信研究院,http://www.caict.ac.cn/kxyj/qwfb/bps/202112/P020211224634954242855.pdf

  3. 2020.12,《車聯網白皮書(網聯自動駕駛分冊)》,44頁,中國信息通信研究院,http://pg.jrj.com.cn/acc/Res/CN_RES/INDUS/2020/12/17/1019396a-208c-434e-b8b2-1a97e1648526.pdf

  4. 2019.12,《車聯網白皮書(C-V2X白皮書)》,47頁,中國信息通信研究院、國泰君安證券股份有限公司,http://www.caict.ac.cn/kxyj/qwfb/bps/201912/P020191226516585677051.pdf

  5. 2019.12,《車聯網白皮書(2018年)》,35頁,中國信息通信研究院、http://www.caict.ac.cn/kxyj/qwfb/bps/201812/P020181218510826089278.pdf

  6. 2017.9,《車聯網白皮書(2017年)》,37頁,中國信息通信研究院、華為技術有限公司、電信科學技術研究院,http://www.caict.ac.cn/kxyj/qwfb/bps/201804/P020170928592209280350.pdf

  7. 2017.9,《車聯網網絡安全白皮書(2017年)》,41頁,中國信息通信研究院,http://www.caict.ac.cn/kxyj/qwfb/bps/201804/P020170921430215345026.pdf

IMT-2020(5G)推進組

  1. 2019.10,《C-V2X業務需求演進白皮書》,25頁,IMT-2020(5G)推進組,http://www.caict.ac.cn/kxyj/qwfb/bps/201911/P020191104336556097939.pdf

  2. 2019.10,《車輛高精度定位白皮書》,23頁,IMT-2020 (5G)推進組,http://www.caict.ac.cn/kxyj/qwfb/bps/201911/P020200911551988189402.pdf

  3. 2019.7,《LTE-V2X安全技術》,25頁,IMT-2020 (5G)推進組,http://zhishi.sae-china.org/read/?id=1922#page=3

  4. 2019.1,《MEC與C-V2X融合 應用場景》,19頁,IMT-2020 (5G)推進組,http://m.caict.ac.cn/yjcg/201901/P020190123572024553363.pdf

  5. 2018.6,《C-V2X》,33頁,IMT-2020 (5G)推進組,http://www.caict.ac.cn/kxyj/qwfb/bps/201806/P020180621609834833905.pdf

移動

  1. 2021,《中國移動自動駕駛網絡白皮書》,中國移動,https://kxlabs.10086.cn/files/1626350861865-520854.pdf

聯通

  1. 2021,《5G+MEC+V2X 車聯網解決方案 白皮書》,32頁,中國聯合網絡通信集團有限公司、聯想,http://www.future-forum.org/cn/leon/a/upfiles/file/202104/20210414164624972497.pdf

百度

  1. 2021.12,《自動駕駛汽車交通安全白皮書》,74頁,中汽中心、同濟大學、百度Apollo,https://apollo-open.bj.bcebos.com/20211215/%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E6%B1%BD%E8%BD%A6%E4%BA%A4%E9%80%9A%E5%AE%89%E5%85%A8%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf

  2. 2019,《自動駕駛安全第一白皮書》,157頁,百度、安波福、寶馬、奧迪等,https://www.bjhzhz.com/ueditor/php/upload/file/20210611/1623382005549714.pdf

華為

  1. 2021.7,《華為數據中心自動駕駛網絡白皮書》,27頁,華為,https://www.chenxiaofang.site/wp-content/uploads/2021/07/%E5%8D%8E%E4%B8%BA%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E7%BD%91%E7%BB%9C%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf

  2. 2021.6,《數據中心基礎設施智能化分級(自動駕駛)》,32頁,華為,https://www.eet-china.com/d/file/news/2021-06-09/2b6c4c1c8f18254c9e5fdd398e5b905a.pdf

  3. 2020,《自動駕駛網絡解決方案白皮書》,80頁,華為,https://carrier.huawei.com/~/media/CNBGV2/download/adn/Autonomous-Driving-Network-whitepaper-cn1.pdf

未來網絡發展大會

  1. 2021.12,《未來網絡白皮書——數據中心自動駕駛網絡技術白皮書,2021版》,52頁,第五屆未來網絡發展大會組委會,https://img1.sdnlab.com/wp-content/uploads/2021/06/21/whitepaper-%E6%9C%AA%E6%9D%A5%E7%BD%91%E7%BB%9C%E7%99%BD%E7%9A%AE%E4%B9%A6%E2%80%94%E2%80%94%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E7%BD%91%E7%BB%9C%E6%8A%80%E6%9C%AF%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf

中國智能網聯汽車產業創新聯盟

  1. 2021.5,《智能網聯汽車高精度衛星定位白皮書》,152頁,中國智能網聯汽車產業創新聯盟,http://www.china-icv.cn/upload/2021/07/12/16260536514901daijd.pdf

  2. 2021.5,《智能網聯汽車高精地圖白皮書》,147頁,中國智能網聯汽車產業創新聯盟,http://www.china-icv.cn/upload/2021/07/12/16260536764054a4d6l.pdf

中國軟件評測中心

  1. 2020.12,《車載智能計算平台功能安全白皮書》,152頁,中國軟件評測中心,https://www.cstc.org.cn/chezaizhinengjisuanpingtaigongnenganquanbaipishu.pdf

報告

  1. 2022.1.17,維多利亞運輸政策研究所,Autonomous Vehicle Implementation PredictionsImplications for Transport Planning,48頁。許多決策者和從業者都想知道,自動駕駛汽車(AVs)將如何影響未來的出行,進而影響對道路、停車設施和公共交通服務的需求,以及哪些公共政策可以將這些新技術的問題最小化,並使其效益最大化。本報告探討了這些問題。https://www.vtpi.org/avip.pdf

  2. 2021,2021年全球自動駕駛汽車指南Global Guide to Autonomous Vehicles,http://www.thedriverlesscommute.com/wp-content/uploads/2021/02/Global-Guide-to-Autonomous-Vehicles-2021.pdf

  3. 2021.7,《車載計算平台標準化需求研究報告》,全國汽車標準化技術委員會、智能網聯汽車分技術委員會,http://www.catarc.org.cn/upload/202109/22/202109221132155975.pdf

  4. 2021.3,《自動駕駛產業鏈全梳理》,西南證券研究發展中心,https://pdf.dfcfw.com/pdf/H3_AP202103111470672485_1.pdf?1615459588000.pdf

  5. 2021.1,《自動駕駛駛向何方?》:自動駕駛市場、技術路徑、產業發展、投資建議,國金證券,http://qccdata.qichacha.com/ReportData/PDF/df94319e701b86a7594a93bfe1d498ce.pdf

  6. 2020.11.11,《ETC駛向V2X,智慧交通龍頭“駕輕就熟”》,32頁,開源證券,https://pdf.dfcfw.com/pdf/H3_AP202011151429330007_1.pdf?1605434112000.pdf

  7. 2020.5.24,《標準臨近疊加新基建助力,C-V2X 產業元年開啟 ——C-V2X 行業深度報告》,30頁,光大證券,https://pdf.dfcfw.com/pdf/H3_AP202005241380177659_1.pdf?1590355566000.pdf

  8. 《2021-2022中國自動駕駛產業年度總結報告》,億歐智庫,https://www.dx2025.com/wp-content/uploads/2022/02/eu_billion_think_tank_annual_summary_report_of_chinas_aut.pdf

  9. 《國內外自動駕駛產業政策與監管規製對深圳產業發展的影響及借鑒研究報告》,深圳市標準技術研究院,https://www.sist.org.cn/fwzl/Biaozhun/szbzllyj/202009/P020200921514999607576.pdf

  10. 《全球自動駕駛戰略與政策觀察(2020)》,中國信通院,http://www.caict.ac.cn/kxyj/qwfb/ztbg/202012/P020201229617023251890.pdf

11.2020.12,《智能網聯汽車預期功能安全前沿技術研究報告》,智能網聯汽車汽車預期功能安全研究組,http://www.china-icv.cn/upload/2021/07/12/162605355915926xoid.pdf

  1. 《2020年中國無人駕駛行業概覽(L4級別及以上)》,頭豹研究院,https://pdf.dfcfw.com/pdf/H3_AP202012251443762578_1.pdf

  2. 《2021中國礦區自動駕駛研究報告》,億歐智庫,http://pg.jrj.com.cn/acc/Res/CN_RES/INDUS/2021/4/20/2a0c29d4-9034-4e31-8741-7c2fd1c666ba.pdf

  3. 《用多模感知技術打造智能網聯汽車新體驗》,科大訊飛 王興寶,http://www.catarc.org.cn/upload/202107/16/202107161008096235.pdf

書籍

  1. 【幹貨書】人工智能自動駕駛,“AI FOR CARS”,129頁pdf,//www.webtourguide.com/vip/7877bbe3da00899a2ca31df33d207e1b

綜述

中文

  1. 2021.3,廣西大學“麵向自動駕駛的邊緣計算技術研究綜述”,19頁,通信學報。介紹了基於邊緣計算的自動駕駛汽車協同感知和任務卸載技術及相關挑戰性問題,然後對協同感知和任務卸載技術的研究現狀進行了分析總結。
    論文原鏈接http://www.infocomm-journal.com/txxb/CN/article/downloadArticleFile.do?attachType=PDF&id=171291

  2. 2021.1,天津大學“自動駕駛智能係統測試研究綜述”,22頁,軟件學報。本文調研了56 篇相關領域的學術論文,分別就感知模塊、決策模塊、綜合功能模塊及整車係統的測試技術、用例生成方法和測試覆蓋度量等維度對目前已有的研究成果進行了梳理,並描述了自動駕駛智能係統測試中的數據集及工具集。
    論文原鏈接http://www.jos.org.cn/jos/article/pdf/6266?file_name=94B86F4BF0497EAE17A5F0D9F6591B963D17D220AD266E9D8F92E4FB76E0CA8E75A6D437C61027970688673CAEBCF9FB&open_type=self

英文

  1. 2022.1.19,科羅拉多州立大學,Object Detection in Autonomous Vehicles: Status and Open Challenges。
    論文原鏈接https://arxiv.org/ftp/arxiv/papers/2201/2201.07706.pdf

  2. 2022.1,法國雷恩第一大學,Adversarial Example Detection for DNN Models: A Review and Experimental Comparison。
    論文原鏈接https://arxiv.org/pdf/2105.00203v2.pdf
    代碼https://github.com/aldahdooh/detectors_review

  3. 2021.12,加拿大Alberta大學、華為發表自動駕駛可解釋AI的綜述論文,“Explainable Artificial Intelligence for Autonomous Driving: A Comprehensive Overview and Field Guide for Future Research Directions”,arXiv。該研究為開發自動駕駛車輛的可解釋人工智能(XAI)方法提供了全麵的信息。首先,概述了目前最先進的自動駕駛汽車行業在可解釋方麵存在的差距。然後,展示該領域中可解釋和可解釋受眾的分類。第三,提出了一個端到端自動駕駛係統體係結構的框架,並論證了XAI在調試和調控此類係統中的作用。
    論文原鏈接https://arxiv.org/pdf/2112.11561.pdf

  4. 2021.2,法國Navya無人駕駛公司,Deep reinforcement learning for autonomous driving: A survey, IEEE Transactions on Intelligent Transportation Systems。
    論文原鏈接https://arxiv.org/pdf/2002.00444.pdf

  5. 2020.7,深度學習自動駕駛技術綜述論文,“Autonomous Driving with Deep Learning: A Survey of State-of-Art Technologies”,28頁,arXiv。研究了自動駕駛係統的主要領域,如感知、地圖和定位、預測、規劃和控製、仿真、V2X和安全等。重點分析幾個關鍵領域,即感知中的二維/三維物體檢測、攝像機深度估計、數據、特征和任務級的多傳感器融合、車輛行駛和行人軌跡的行為建模和預測
    論文原鏈接https://arxiv.org/ftp/arxiv/papers/2006/2006.06091.pdf

  6. 2020.3,日本名古屋大學自動駕駛領域頂級專家(Senior Member, IEEE),“A Survey of Autonomous Driving: Common Practices and Emerging Technologies”,28頁,IEEE Access。本文討論了無人駕駛技術中尚未解決的問題,並對無人駕駛技術進行了綜述。對目前的挑戰、高級係統架構、新興方法和核心功能(包括定位、映射、感知、規劃和人機界麵)的研究進行了全麵回顧。此外,在自己的平台上實現了許多最先進的算法,並在真實世界的駕駛環境中進行了比較。最後概述了ADS開發中可用的數據集和工具。
    論文原鏈接https://arxiv.org/pdf/1906.05113.pdf

關鍵技術(原文、代碼、視頻、數據集鏈接)

感知

  1. 2021.11,中山大學,“基於多對多生成對抗網絡的非對稱跨域遷移行人再識別”,自動化學報。
    論文原鏈接http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190303

  2. 2021.10,廣西大學,“無人駕駛汽車協同感知信息傳輸負載優化技術”,計算機學報。本文提出了一種視頻感知數據的傳輸負載優化方法,主要思想是通過路邊基礎設施把視頻幀中的靜態背景與動態前景進行分離,僅在初始時傳輸一次靜態背景,其餘每次僅傳輸動態前景信息,這樣可以使得傳輸負載大幅降低。
    論文原鏈接http://cjc.ict.ac.cn/online/onlinepaper/lp-x-20211014145533.pdf

  3. 2021.5,中南大學,“基於可見光與紅外熱圖像的行車環境複雜場景分割”,自動化學報。
    論文原鏈接http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210029

  4. 2022.1.18,采埃孚印度技術中心,Contextual road lane and symbol generation for autonomous driving。
    論文原鏈接https://arxiv.org/pdf/2201.07120.pdf

  5. 2022.1.18,法國南特大學,Attention-based Proposals Refinement for 3D Object Detection。
    論文原鏈接https://arxiv.org/pdf/2201.07070.pdf

  6. 2022.1.17,加州大學歐文分校,HydraFusion: Context-Aware Selective Sensor Fusion for Robust and Efficient Autonomous Vehicle Perception,13th ACM/IEEE International Conference on Cyber-Physical Systems (ICCPS 2022)。
    論文原鏈接https://arxiv.org/pdf/2201.06644.pdf
    代碼https://github.com/aicps/hydrafusion

  7. 2021.10,麻省理工學院,Kimera: from SLAM to Spatial Perception with 3D Dynamic Scene Graphs,arxiv。
    論文原鏈接https://arxiv.org/pdf/2101.06894.pdf
    代碼https://github.com/MIT-SPARK/Kimera
    視頻Video 1:https://youtu.be/-5XxXRABXJs,Video 2:https://youtu.be/SWbofjhyPzI

  8. 2020.7,麻省理工學院,Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping,ICRA 2020。
    論文原鏈接https://arxiv.org/pdf/1910.02490.pdf
    代碼https://github.com/MIT-SPARK/Kimerahttps://paperswithcode.com/paper/kimera-an-open-source-library-for-real-time
    視頻https://www.youtube.com/watch?v=-5XxXRABXJs

  9. 2020.6,麻省理工學院,3D Dynamic Scene Graphs: Actionable Spatial Perception with Places, Objects, and Humans,Robotics: Science and Systems (RSS)。
    論文原鏈接https://arxiv.org/pdf/2002.06289.pdf
    代碼https://paperswithcode.com/paper/3d-dynamic-scene-graphs-actionable-spatial
    視頻https://www.youtube.com/watch?v=SWbofjhyPzI

  10. 2019.7,麻省理工學院,Incremental Visual-Inertial 3D Mesh Generation with Structural Regularities,ICRA 2019。
    論文原鏈接https://arxiv.org/pdf/1903.01067.pdf
    代碼https://github.com/MIT-SPARK/Kimerahttps://paperswithcode.com/paper/incremental-visual-inertial-3d-mesh
    論文7-10為同一作者成果

  11. 2021.10,英國埃塞克斯大學、荷蘭代爾夫特理工大學、昆士蘭科技大學,VPR-Bench: An Open-Source Visual Place Recognition Evaluation Framework with Quantifiable Viewpoint and Appearance Change。
    論文原鏈接https://arxiv.org/pdf/2005.08135v2.pdf
    代碼:https://github.com/MubarizZaffar/VPR-Bench

  12. 2021.10,韓國延世大學,Robust Lane Detection via Expanded Self Attention,IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2022。
    論文原鏈接https://arxiv.org/pdf/2102.07037v3.pdf
    代碼https://github.com/Hydragon516/ESA-official

  13. 2021.10,瑞典RISE研究院、瑞典隆德大學,Efficient and Effective Generation of Test Cases for Pedestrian Detection -- Search-based Software Testing of Baidu Apollo in SVL,AITest 2021。
    論文原鏈接https://arxiv.org/pdf/2109.07960v2.pdf
    代碼https://github.com/ebadi/scenariogenerator

  14. 2021.9,哈爾濱工業大學(Senior Member, IEEE),Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes。
    論文原鏈接https://arxiv.org/pdf/2101.06085v2.pdf
    代碼https://github.com/ydhongHIT/DDRNet

  15. 2021.8,愛丁堡大學,GRIT: Fast, Interpretable, and Verifiable Goal Recognition with Learned Decision Trees for Autonomous Driving,2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)。
    論文原鏈接https://arxiv.org/pdf/2103.06113v3.pdf
    代碼https://github.com/uoe-agents/GRIT

  16. 2021.4,西班牙塞維利亞大學,Enhancing Object Detection for Autonomous Driving by Optimizing Anchor Generation and Addressing Class Imbalance,Neurocomputing (2021)。
    論文原鏈接https://arxiv.org/pdf/2104.03888v1.pdf
    代碼https://github.com/carranza96/waymo-detection-optimization

  17. 2021.4,俄羅斯Evocargo LLC,Raindrops on Windshield: Dataset and Lightweight Gradient-Based Detection Algorithm。
    論文原鏈接https://arxiv.org/pdf/2104.05078v1.pdf
    代碼https://github.com/EvoCargo/RaindropsOnWindshield

  18. 2021.3,多倫多大學機器人研究所,Categorical Depth Distribution Network for Monocular 3D Object Detection。
    論文原鏈接https://arxiv.org/pdf/2103.01100v2.pdf
    代碼https://github.com/TRAILab/CaDDN

  19. 2021.3,香港科技大學,Video Deblurring by Fitting to Test Data。
    論文原鏈接https://arxiv.org/pdf/2012.05228v2.pdf
    代碼https://github.com/xrenaa/Deblur-by-Fitting

  20. 2021.2,美國密歇根大學,LiDARTag: A Real-Time Fiducial Tag System for Point Clouds。
    論文原鏈接https://arxiv.org/pdf/1908.10349.pdf
    代碼https://github.com/UMich-BipedLab/LiDARTag

  21. 2021.2,深圳市人工智能與機器人研究院、香港中文大學,Semantic Histogram Based Graph Matching for Real-Time Multi-Robot Global Localization in Large Scale Environment,IEEE ROBOTICS AND AUTOMATION LETTERS. PREPRINT VERSION。
    論文原鏈接https://arxiv.org/pdf/2010.09297v2.pdf
    代碼https://repository.tudelft.nl/islandora/object/uuid:af94d535-1853-4a6c-8b3f-77c98a52346a?collection=research
    數據集http://www.cvlibs.net/datasets/kitti/https://synthia-dataset.net/https://github.com/Microsoft/AirSim

  22. 2020.10,法國格勒諾布爾大學,GndNet: Fast Ground Plane Estimation and Point Cloud Segmentation for Autonomous Vehicles,IEEE/RSJ International Conference on Intelligent Robots and Systems。
    論文原鏈接https://hal.inria.fr/hal-02927350/document
    代碼https://github.com/anshulpaigwar/GndNet

  23. 2020.8,清華大學,DXSLAM: A Robust and Efficient Visual SLAM System with Deep Features。
    論文原鏈接https://arxiv.org/pdf/2008.05416v1.pdf
    代碼https://github.com/ivipsourcecode/dxslam

  24. 2020.7,香港科技大學,GSNet: Joint Vehicle Pose and Shape Reconstruction with Geometrical and Scene-aware Supervision,ECCV 2020。
    論文原鏈接https://arxiv.org/pdf/2007.13124v1.pdf
    代碼https://github.com/lkeab/gsnet

  25. 2020.6,奔馳、烏爾姆大學、普林斯頓大學等,Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather,CVPR2020。
    論文原鏈接https://arxiv.org/pdf/1902.08913.pdf
    代碼https://github.com/princeton-computational-imaging/SeeingThroughFog

  26. 2020.5,慕尼黑工業大學,Persistent Map Saving for Visual Localization for Autonomous Vehicles: An ORB-SLAM Extension,EVER2020。
    論文原鏈接https://arxiv.org/pdf/2005.07429v1.pdf
    代碼https://github.com/TUMFTM/orbslam-map-saving-extension

  27. 2020.4,武漢大學,Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks,IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY。
    論文原鏈接https://arxiv.org/pdf/1903.02193v2.pdf
    代碼https://github.com/qinnzou/Robust-Lane-Detection

  28. 2020.3,劍橋大學,PaRoT: A Practical Framework for Robust Deep Neural Network Training,22頁,12th NASA Formal Methods Symposium。
    論文原鏈接https://arxiv.org/pdf/2001.02152v3.pdf
    代碼https://github.com/fiveai/parot

  29. 2020.2,斯坦福大學,Slice-based Learning: A Programming Model for Residual Learning in Critical Data Slices,NeurIPS 2019。
    論文原鏈接https://arxiv.org/pdf/1909.06349v2.pdf
    代碼https://github.com/snorkel-team/snorkel-tutorials

  30. 2020.2,德國戴姆勒公司、德國卡爾斯魯厄理工學院,CNN-based Lidar Point Cloud De-Noising in Adverse Weather。
    論文原鏈接https://arxiv.org/pdf/1912.03874v2.pdf
    代碼https://github.com/rheinzler/PointCloudDeNoising

  31. 2020.2,卡耐基梅隆大學,Learning to Move with Affordance Maps,ICLR 2020。
    論文原鏈接https://arxiv.org/pdf/2001.02364v2.pdf
    代碼https://github.com/wqi/A2L

  32. 2020.1,中科院沈陽自動化研究所研究所、中國科學院機器人與智能製造研究所等RTM3D: Real-time Monocular 3D Detection from Object Keypoints for Autonomous Driving。
    論文原鏈接https://arxiv.org/pdf/2001.03343v1.pdf
    代碼https://github.com/Banconxuan/RTM3D

  33. 2019.7,意大利博洛尼亞大學、帕爾馬大學,Lane Detection and Classification using Cascaded CNNs。
    論文原鏈接https://arxiv.org/pdf/1907.01294v2.pdf
    代碼https://github.com/fabvio/Cascade-LDhttps://github.com/fabvio/TuSimple-lane-classes

  34. 2019.10,加拿大約克大學,PIE: A Large-Scale Dataset and Models for Pedestrian Intention Estimation and Trajectory Prediction,ICCV 2019。
    論文原鏈接https://openaccess.thecvf.com/content_ICCV_2019/papers/Rasouli_PIE_A_Large-Scale_Dataset_and_Models_for_Pedestrian_Intention_Estimation_ICCV_2019_paper.pdf
    代碼https://github.com/aras62/PIEPredict

  35. 2019.8,曠世研究院、清華大學等,Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection。
    論文原鏈接https://arxiv.org/pdf/1908.09492v1.pdf
    代碼https://github.com/poodarchu/Class-balanced-Grouping-and-Sampling-for-Point-Cloud-3D-Object-Detection

  36. 2019.7,巴西聖埃斯皮裏圖聯邦大學(Senior Member, IEEE),Cross-Domain Car Detection Using Unsupervised Image-to-Image Translation: From Day to Night。
    論文原鏈接https://arxiv.org/pdf/1907.08719v1.pdf
    代碼https://github.com/LCAD-UFES/publications-arruda-ijcnn-2019

  37. 2019.5,喬治亞理工學院、英特爾,ShapeShifter: Robust Physical Adversarial Attack on Faster R-CNN Object Detector。
    論文原鏈接https://arxiv.org/pdf/1804.05810v3.pdf
    代碼https://github.com/shangtse/robust-physical-attack

  38. 2017.5,高精地圖,Highiy Efficient HD Map Creation: Acceierating Mapping Process with GPUs,40頁PPT。
    原鏈接https://on-demand.gputechconf.com/gtc/2017/presentation/s7656-shigeyuki-iwata-accelerating-hd-mapping.pdf

預測

  1. 2021.11,加州大學歐文分校,Spatio-Temporal Scene-Graph Embedding for Autonomous Vehicle Collision Prediction。
    論文原鏈接https://arxiv.org/pdf/2111.06123v1.pdf
    代碼https://github.com/aicps/sg-collision-prediction

  2. 2021.10,阿德萊德大學,Weakly Supervised Training of Monocular 3D Object Detectors Using Wide Baseline Multi-view Traffic Camera Data。
    論文原鏈接https://arxiv.org/pdf/2110.10966v1.pdf
    代碼https://github.com/MatthewHowe/WIBAM

  3. 2021.7,清華大學、北京國家信息科學技術研究中心,Human Trajectory Prediction via Counterfactual Analysis,ICCV 2021。
    論文原鏈接https://arxiv.org/pdf/2107.14202v1.pdf
    代碼https://github.com/CHENGY12/CausalHTP

  4. 2021.6,意大利佛羅倫薩大學,MANTRA: Memory Augmented Networks for Multiple Trajectory Prediction,CVPR2020。
    論文原鏈接https://arxiv.org/pdf/2006.03340v2.pdf
    代碼https://github.com/Marchetz/MANTRA-CVPR20

  5. 2021.6,紐約州立大學石溪分校,A system of vision sensor based deep neural networks for complex driving scene analysis in support of crash risk assessment and prevention。
    論文原鏈接https://arxiv.org/pdf/2106.10319v1.pdf
    代碼https://github.com/monjurulkarim/Crash_road_function_dataset

  6. 2021.6,北卡羅萊納大學夏洛特分校,CARPe Posterum: A Convolutional Approach for Real-time Pedestrian Path Prediction,AAAI-21。
    論文原鏈接https://arxiv.org/pdf/2005.12469v3.pdf代碼https://github.com/TeCSAR-UNCC/CARPe_Posterum

  7. 2021.4,英國利茲大學,Maneuver-Aware Pooling for Vehicle Trajectory Prediction。
    論文原鏈接https://arxiv.org/pdf/2104.14079v1.pdf
    代碼https://github.com/m-hasan-n/pooling

  8. 2020.9,新加坡南洋理工大學(Senior Member, IEEE),Context Model for Pedestrian Intention Prediction using Factored Latent-Dynamic Conditional Random Fields,IEEE Transactions on Intelligent Transportation Systems。
    論文原鏈接https://arxiv.org/pdf/1907.11881v4.pdf
    代碼https://github.com/satyajitneogiju/FLDCRF-for-sequence-labeling

  9. 2020.8,英屬哥倫比亞大學、卡耐基梅隆大學,What-If Motion Prediction for Autonomous Driving。
    論文原鏈接https://arxiv.org/pdf/2008.10587v1.pdf
    代碼https://github.com/wqi/WIMP

  10. 2020.5,美國理海大學,GRIP++: Enhanced Graph-based Interaction-aware Trajectory Prediction for Autonomous Driving。
    論文原鏈接https://arxiv.org/pdf/1907.07792v2.pdf
    代碼https://github.com/xincoder/GRIP

  11. 2020.3,美國哥倫比亞大學,An LSTM-Based Autonomous Driving Model Using Waymo Open Dataset,Applied Sciences。
    論文原鏈接https://arxiv.org/pdf/2002.05878v2.pdf
    代碼https://github.com/JdeRobot/BehaviorSuitehttps://github.com/JdeRobot/BehaviorMetrics

  12. 2020.3,加州大學,Explainable Object-induced Action Decision for Autonomous Vehicles。
    論文原鏈接https://arxiv.org/pdf/2003.09405v1.pdf
    代碼https://github.com/Twizwei/bddoia_project

  13. 2019.9,卡內基梅隆大學、加州大學,PRECOG: PREdiction Conditioned On Goals in Visual Multi-Agent Settings,ICCV 2019。
    論文原鏈接https://arxiv.org/pdf/1905.01296v3.pdf
    代碼https://github.com/nrhine1/precog

規則(人類先驗知識)

  1. 2021.5,印度坎普爾理工學院、多倫多大學、英偉達等,Emergent Road Rules In Multi-Agent Driving Environments,ICLR 2021。
    論文原鏈接https://arxiv.org/pdf/2011.10753v2.pdf
    代碼https://github.com/fidler-lab/social-driving

  2. 2021.2,俄亥俄州立大學、google,Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification。
    論文原鏈接https://arxiv.org/pdf/2102.05843v1.pdf
    代碼https://github.com/sobhan-moosavi/DCRNN

規劃

  1. 2022.1,西安交通大學人工智能與機器人研究所·薛建儒教授,“高速公路無人駕駛的分層抽樣多動態窗口軌跡規劃算法”,自動化學報。
    論文原鏈接http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210673

  2. 2021.1,美國愛荷華州立大學,Visual Exploration and Energy-aware Path Planning via Reinforcement Learning。
    論文原鏈接https://arxiv.org/pdf/1909.12217v4.pdf
    代碼https://github.com/AmirNiaraki/Visual-Exploration

  3. 2020.11,慕尼黑工業大學,Counterfactual Policy Evaluation for Decision-Making in Autonomous Driving, IROS 2020。
    論文原鏈接https://arxiv.org/pdf/2003.11919v3.pdf
    代碼https://github.com/bark-simulator/barkhttps://github.com/bark-simulator/bark-ml

  4. 2020.11,香港理工大學、卡耐基梅隆大學,Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning。
    論文原鏈接https://arxiv.org/pdf/2011.04752v1.pdf
    代碼https://github.com/kalebbennaveed/Trajectory-Planning-for-Autonomous-Vehicles-Using-HRL

  5. 2020.10,加州大學伯克利分校,Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL。
    論文原鏈接https://arxiv.org/pdf/2011.00120v1.pdf
    代碼https://github.com/eugenevinitsky/decentralized_bottlenecks

  6. 2020.9,牛津大學、加州大學,Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts?
    論文原鏈接https://arxiv.org/pdf/2006.14911v2.pdf
    代碼https://github.com/OATML/oatomobile

端到端

  1. 2021.4,普朗克智能係統研究所、德國蒂賓根大學,Multi-Modal Fusion Transformer for End-to-End Autonomous Driving,CVPR2021。
    論文原鏈接https://openaccess.thecvf.com/content/CVPR2021/papers/Prakash_Multi-Modal_Fusion_Transformer_for_End-to-End_Autonomous_Driving_CVPR_2021_paper.pdf
    代碼https://github.com/autonomousvision/transfuser

  2. 2021.11,圖盧茲第三大學,StereoSpike: Depth Learning with a Spiking Neural Network。
    論文原鏈接https://arxiv.org/pdf/2109.13751v2.pdf
    代碼https://github.com/urancon/stereospike

  3. 2021.8,加拿大維多利亞大學、波多黎各大學馬亞奎茲分校(Senior Member, IEEE),Evaluating Adversarial Attacks on Driving Safety in Vision-Based Autonomous Vehicles。
    論文原鏈接https://arxiv.org/pdf/2108.02940v1.pdf
    代碼https://github.com/DexterJZ/eval_driving_safety

  4. 2021.8,印度SRM科學技術研究所,Robust Behavioral Cloning for Autonomous Vehicles using End-to-End Imitation Learning,SAE International Journal of Connected and Automated Vehicles。
    論文原鏈接https://arxiv.org/ftp/arxiv/papers/2010/2010.04767.pdf
    代碼https://github.com/Tinker-Twins/Robust_Behavioral_Cloning

  5. 2020.8,英偉達、多倫多大學,Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D。
    論文原鏈接https://arxiv.org/pdf/2008.05711v1.pdf
    代碼https://github.com/nv-tlabs/lift-splat-shoot

  6. 2020.7,加州大學、清華大學,Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning。
    論文原鏈接https://arxiv.org/pdf/2001.08726v3.pdf
    代碼https://github.com/cjy1992/interp-e2e-driving
    數據集https://carla.org/

  7. 2020.3,昆士蘭科技大學,MVP: Unified Motion and Visual Self-Supervised Learning for Large-Scale Robotic Navigation。
    論文原鏈接https://arxiv.org/pdf/2003.00667v1.pdf
    代碼https://github.com/mchancan/citylearn

  8. 2019.10,華盛頓大學,Attacking Vision-based Perception in End-to-End Autonomous Driving Models。
    論文原鏈接https://arxiv.org/pdf/1910.01907v1.pdf
    代碼https://github.com/xz-group/AdverseDrive

安全

  1. 2021.5,加拿大西安大略大學,MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet of Vehicles,IEEE Internet of Things Journal。
    論文原鏈接https://arxiv.org/pdf/2105.13289v1.pdf
    代碼https://github.com/Western-OC2-Lab/Intrusion-Detection-System-Using-Machine-Learning

倫理

  1. 2021.11,中國人民大學法學院“自動駕駛法律準入問題研究:路線、挑戰與方案”,中國人民大學學報。
    論文原鏈接http://xuebao.ruc.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=13154

  2. 2021.3,暨南大學,“倫理智能體及其設計:現狀和展望”,20頁,計算機學報。倫理智能體是人工智能倫理的重要研究內容本文從人工智能倫理的工程設計與實現角度,對倫理智能體及圖靈測試、倫理智能體的設計範式、倫理智能體的邏輯程序設計、倫理智能體的形式化驗證、倫理困境及分析等進行了介紹和討論同時,對倫理智能體及設計所麵臨的挑戰和進一步研究方向進行了述評和展望。
    論文原鏈接http://cjc.ict.ac.cn/online/onlinepaper/gtl-202128100804.pdf

  3. 2021.4,慕尼黑工業大學,Autonomous Driving Ethics: from Trolley Problem to Ethics of Risk,23頁,Philosophy & Technology。
    論文原鏈接https://link.springer.com/content/pdf/10.1007/s13347-021-00449-4.pdf

  4. 2021.1,代爾夫特理工大學,Ethical issues in focus by the autonomous vehicles industry,Transport Reviews。
    論文原鏈接https://www.tandfonline.com/doi/pdf/10.1080/01441647.2020.1862355?needAccess=true

數據集

  1. SYNTHIA數據集:SYNTHIA由一組從虛擬城市渲染的逼真的照片框架組成,並提供了13個類別的精確像素級語義注釋:misc、天空、建築、道路、人行道、柵欄、植被、柱子、汽車、標誌、行人、自行車手、車道標記。https://synthia-dataset.net/

  2. KITTI數據集:在中型城市卡爾斯魯厄(Karlsruhe)、農村地區和高速公路上行駛時拍攝的。每張圖片上可以看到多達15輛汽車和30個行人。除了以原始格式提供所有數據外,還為每個任務提取基準。提供一個評估指標和這個評估網站。http://www.cvlibs.net/datasets/kitti/

  3. AirSim:AirSim是一個模擬無人機汽車,建立在虛擬引擎(現在有一個實驗性的Unity版本)。它是開源的,跨平台的,並支持軟件在環仿真與流行的飛行控製器,如PX4和ArduPilot和硬件在環與PX4的物理和視覺逼真的模擬。它是作為一個虛幻插件開發的,可以簡單地放入任何虛幻環境。https://github.com/Microsoft/AirSim

  4. CARLA:提供開放的數字資產(城市布局、建築、車輛),可以自由使用。仿真平台支持傳感器套件的靈活規格、環境條件、所有靜態和動態參與者的完全控製、地圖生成等。https://carla.org/

  5. Waymo由Waymo駕駛員在各種條件下駕駛的自動駕駛車輛收集的高分辨率傳感器數據組成。Waymo開放數據集目前包含1950個片段。作者計劃在未來增加這個數據集。目前的數據集包括:1950個20秒的片段,在不同的地理和條件下以10Hz(39萬幀)的頻率收集。該數據集來自研究成果CVPR 2020——Scalability in Perception for Autonomous Driving: Waymo Open Dataset(https://arxiv.org/pdf/1912.04838.pdf)。數據集鏈接http://www.waymo.com/open

  6. nuScenes:是一個大規模的自動駕駛數據集。該數據集有在波士頓和新加坡收集的1000個場景的3D邊界框。每個場景時長20秒,以2Hz的頻率進行注解。這樣一來,總共有28130個樣本用於培訓,6019個樣本用於驗證,6008個樣本用於測試。該數據集擁有全自動駕駛汽車數據套件:32波束激光雷達,6個攝像頭和雷達,完全360°覆蓋。3D物體檢測挑戰將評估10類車輛的性能汽車、卡車、公共汽車、拖車、施工車輛、行人、摩托車、自行車、交通錐和障礙物。https://www.nuscenes.org/

  7. SuperGLUE是一個基準數據集,其設計目的是對語言理解進行比GLUE更嚴格的測試。SuperGLUE與GLUE有著相同的高級動機提供一個簡單的、難以實現的方法來衡量英語通用語言理解技術的進展。SuperGLUE遵循了GLUE的基本設計:它包含一個基於8個語言理解任務的公共排行榜,利用現有數據,附帶一個數字性能指標,以及一個分析工具包。該數據集來自研究成果NeurIPS 2019 ——superGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems(https://arxiv.org/pdf/1905.00537v3.pdf)。數據集鏈接https://super.gluebenchmark.com/

  8. STF_dense_fog:一個具有挑戰性的惡劣天氣條件下的目標檢測數據集,涵蓋了現實世界駕駛場景中的12000個樣本和霧室中受控天氣條件下的1500個樣本。該數據集包括霧、雪、雨等不同的天氣條件,是在北歐行駛1萬多公裏後獲得的。該數據集的主要貢獻有為廣泛的算法提供了一個試驗場,包括信號增強、域適應、目標檢測或多模態傳感器融合,重點是傳感器之間的魯棒冗餘學習,特別是當它們在不同天氣條件下不對稱失效時。https://www.uni-ulm.de/en/in/driveu/projects/dense-datasets#c811669

  9. Argoverse是一個跟蹤基準,在匹茲堡和邁阿密收集了超過30K個場景。每個場景都是一個以10hz采樣的幀序列。每個序列都有一個有趣的對象叫做“agent”,任務是預測agent在未來3秒內的未來位置。序列分為訓練集、驗證集和測試集,分別有205942、39472和78143個序列。這些分割在地理上沒有重疊。https://www.argoverse.org/data.html

  10. TuSimple包含6408張美國高速公路上的道路圖像。圖像的分辨率為1280×720。該數據集由3,626個訓練數據集、358個驗證數據集和2,782個測試數據集組成,其中圖像為不同天氣條件下的TuSimple測試集。https://github.com/TuSimple/tusimple-benchmark

  11. TuSimple Lane是TuSimple數據集的擴展,具有14,336條Lane邊界注釋。數據集中的每個車道邊界都使用7種不同的類別進行標注,如“單虛線”、“雙虛線”或“單白連續”。https://github.com/fabvio/TuSimple-lane-classes

  12. ImageNet:根據WordNet層次結構,ImageNet數據集包含14,197,122張帶注釋的圖像。自2010年以來,該數據集被用於ImageNet大規模視覺識別挑戰(ILSVRC),這是圖像分類和目標檢測的基準。公開發布的數據集包含一組手工標注的訓練圖像。還發布了一組測試圖像,保留了手工注釋。https://image-net.org/index.php

  13. HDD:本田研究所駕駛數據集(HDD)是一個用於研究在現實環境中學習駕駛行為的數據集。該數據集包含了真實人類在舊金山灣區104小時的駕駛經曆,這些經曆是通過配備不同傳感器的儀表化車輛收集的。https://usa.honda-ri.com/hdd

  14. Lyft Level 5 Prediction用於運動預測的自動駕駛數據集,包含超過1000小時的數據。這是由20輛自動駕駛汽車組成的車隊在加利福尼亞州帕洛阿爾托沿著一條固定路線收集的,耗時四個月。它由17萬個場景組成,每個場景時長25秒,捕捉自動駕駛係統的感知輸出,編碼附近車輛、騎自行車者和行人的精確位置和動作。該數據集來自研究成果CoRL2020 ——One Thousand and One Hours: Self-driving Motion Prediction Dataset(https://arxiv.org/pdf/2006.14480v2.pdfhttps://arxiv.org/pdf/1905.00537v3.pdf)。數據集鏈接https://level-5.global/data/prediction/

教程課程

慕尼黑工業大學TUM

慕尼黑工業大學自動駕駛研究所線上自動駕駛軟件工程與自動駕駛中的人工智能技術免費課程。涵蓋講解視頻與PPT。本部分收錄了相關講解PPT與視頻原鏈接。

人工智能技術Artificial Intelligence in Automotive Technology

課程涵蓋“人工智能”領域的所有相關方麵,特別關注“機器學習”和“深度學習”技術。所有的理論內容將與汽車技術主題相關。

參與課程後,將對人工智能和機器學習的方法有一個全麵的概述。能夠為各種問題選擇合適的機器學習方法,然後用合適的代碼實現它。此外,能夠使用機器學習方法解決當前汽車技術(如自動駕駛)的問題。

01.引言

什麼是智能?什麼是人工智能?曆史概述,機器學習主題概述,自動駕駛汽車。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/01_Introduction_Artificial_Intelligence.pptx
講解視頻https://youtu.be/f_VvScVwBGU

02. 感知

機器視覺,計算機視覺,圖像處理,特征提取,顏色檢測,Canny邊緣檢測,霍夫線,立體視覺。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/02_Computer_Vision_-_Kopie.pptx
講解視頻https://www.youtube.com/watch?v=9fTCZ1QPLIg&t=5194s

03.有監督學習-線性回歸

隨機抽樣與共識。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/03_Regression.pptx
講解視頻https://www.youtube.com/watch?v=kgOessQts_Q

04. 有監督學習-分類

決策tres,支持向量機,k近鄰。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/04_Classification_ohne_videos.pptx
講解視頻https://youtu.be/Ow_q7htvo-8

05. 無監督學習-聚類

決策樹,k-Means。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/05_Clustering.pptx
講解視頻https://www.youtube.com/watch?v=eVpsqvdZrTE

06. 尋徑

導航,圖論,A*等搜索算法。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/06_Pathfinding_ohneAnimationen.pptx
講解視頻https://www.youtube.com/watch?v=d5lyM2or8cs

07. 神經網絡導論

感知器,損失函數,激活函數。
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/07_Introduction_Neural_Nets.pptx
講解視頻https://www.youtube.com/watch?v=d5lyM2or8cs

08. 深度神經網絡

講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/07_Introduction_Neural_Nets.pptx
講解視頻https://www.youtube.com/watch?v=ksxzoG5YktY

09. 卷積神經網絡

講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/9_Convolutional_Networks_OhneVideo.pptx
講解視頻https://www.youtube.com/watch?v=3YccAgMwgRM

10. 遞歸神經網絡

講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/10_Recurrent_Neural_Networks.pptx
講解視頻https://www.youtube.com/watch?v=wX4qozViCnI&t=3s

11. 強化學習

講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/11_Reinforcement_Learning.pptx
講解視頻https://www.youtube.com/watch?v=aGmVbAlicw0

12. AI開發

超參數調優,CPU和GPU培訓,推理
講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/12_AI-Development.pptx.pdf
講解視頻https://www.youtube.com/watch?v=y31IMuHWvGU&feature=youtu.be

13. Rasmus Rothe教授講座

講解ppthttps://www.mos.ed.tum.de/fileadmin/w00ccp/ftm/05-Lehre/05-1-Vorlesungen_Wintersemester/00_AI_In_Automotive_Technology/13_Guest_Lecturer.pdf
講解視頻https://www.youtube.com/watch?v=3uTFv6jEvFQ&t=907s

自動駕駛軟件工程Autonomous Driving Software Engineering

本講座涵蓋了自動駕駛軟件工程的所有相關方麵,並展示了相應的實際應用。

01. 介紹

曆史回顧,駕駛任務級別,自動化程度,車輛通信,中間件。
講解ppthttps://www.researchgate.net/publication/352321561_Autonomous_Driving_Software_Engineering_-_Lecture_01_Introduction_to_Autonomous_Driving
講解視頻https://www.youtube.com/watch?v=ekOfzdQnPZw

02. 感知一

地圖與導航基礎。
講解ppthttps://www.researchgate.net/publication/352321825_Autonomous_Driving_Software_Engineering_-_Lecture_02_Perception_I_-_Basics_of_Mapping_and_Localization
講解視頻https://youtu.be/ZBUJRsX5jq8

03. 感知二

SLAM(即時定位與地圖構建)。
講解ppthttps://www.researchgate.net/publication/352321792_Autonomous_Driving_Software_Engineering_-_Lecture_03_Perception_II_-_SLAM
講解視頻https://youtu.be/Ha3cwdnN0ow

04. 感知三

探測:物體檢測數據集、物體類型、相機、激光雷達、雷達檢測、傳感器融合。
講解ppthttps://www.researchgate.net/publication/352322076_Autonomous_Driving_Software_Engineering_-_Lecture_04_Perception_III_-_Detection
講解視頻https://www.youtube.com/watch?v=mffK5EbNLos

05. 預測

預測級別,與規劃的關係,基於規劃和模式的方法,編碼器-解碼器算法。
講解ppthttps://www.researchgate.net/publication/352321496_Autonomous_Driving_Software_Engineering_-_Lecture_05_Prediction
講解視頻https://www.youtube.com/watch?v=3nZYBUTXx84

06. 全局規劃

全局路徑規劃導航任務、搜索方法。
講解ppthttps://www.researchgate.net/publication/352350798_Autonomous_Driving_Software_Engineering_-_Lecture_06_Planning_I_-_Global_Planning
講解視頻https://www.youtube.com/watch?v=5OVplZVy544

07. 局部規劃

局部路徑與行為規劃成本函數、決策函數、軌跡生成。
講解ppthttps://www.researchgate.net/publication/352322244_Autonomous_Driving_Software_Engineering_-_Lecture_07_Planning_II_-_Local_Planning
講解視頻https://www.youtube.com/watch?v=B3WuUnivDMg

08. 控製

變量,經典控製器,MPC。
講解ppthttps://www.researchgate.net/publication/352322266_Autonomous_Driving_Software_Engineering_-_Lecture_08_Control
講解視頻https://www.youtube.com/watch?v=AxlcDWGuetk

09. 安全評估

場景測試,虛擬保障,監督原則。
講解ppthttps://www.researchgate.net/publication/352322387_Autonomous_Driving_Software_Engineering_-_Lecture_09_Safety_Assessment
講解視頻https://www.youtube.com/watch?v=q26G-ok20-8

10. 遙控駕駛

必要性、概念、連接建立、用戶需求。
講解ppthttps://www.researchgate.net/publication/352322590_Autonomous_Driving_Software_Engineering_-_Lecture_10_Teleoperated_Driving
講解視頻https://www.youtube.com/watch?v=wuuyaRO5O6I

11. 端到端

講解ppthttps://www.researchgate.net/publication/352322925_Autonomous_Driving_Software_Engineering_-_Lecture_11_End-to-End_Combined_Modules
講解視頻https://www.youtube.com/watch?v=XwZwkRPZn4g

12. 人為因素

用戶需求,駕駛舒適性,用戶體驗,接受度。
講解ppthttps://www.researchgate.net/publication/352322960_Autonomous_Driving_Software_Engineering_-_Lecture_12_From_Driver_to_Passenger
講解視頻https://www.youtube.com/watch?v=i9ndRWNVOk0

百度Apollo

幫助學習者從入門到進階逐步構建完整係統的智能駕駛知識體係。本部分收錄了百度Apollo智能駕駛相關講解PPT與視頻原鏈接。

模塊學習

感知、高精地圖與定位、決策規劃、控製、係統、雲服務、軟件平台、硬件各模塊學習資料:https://apollo.auto/developer/index_cn.html#/

課程學習

入門課程

入門文章:https://apollo.auto/developer/index_cn.html#/learning?id=9
入門視頻:https://apollo.auto/devcenter/coursetable_cn.html?target=1

進階課程

進階文章:https://apollo.auto/developer/index_cn.html#/learning?id=10
進階視頻:https://apollo.auto/devcenter/coursetable_cn.html?target=2

開發平台文檔

Apollo (阿波羅)是一個開放的、完整的、安全的平台,將幫助汽車行業及自動駕駛領域的合作夥伴結合車輛和硬件係統,快速搭建一套屬於自己的自動駕駛係統。https://apollo.auto/document_cn.html?target=/Apollo-Homepage-Document/Apollo_Doc_CN_6_0/

麻省理工MIT

彙集了Lex friedman等人在麻省理工學院講授的有關深度學習、深度強化學習、自動駕駛汽車和人工智能的課程原鏈接(視頻與PPT)https://deeplearning.mit.edu/

初步版本,水平有限,有錯誤或者不完善的地方,歡迎大家提建議和補充,會一直保持更新,本文為專知內容組原創內容,未經允許不得轉載,如需轉載請發送郵件至fangquanyi@gmail.com或 聯係微信專知小助手(Rancho_Fang)

敬請關注//www.webtourguide.com和關注專知公眾號,獲取第一手AI相關知識

精品內容

中國自動駕駛和未來出行服務市場展望
專知會員服務
24+閱讀 · 4月18日
微信掃碼谘詢專知VIP會員
Top