Argoverse
PulseAugur coverage of Argoverse — every cluster mentioning Argoverse across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架推动多视角三维目标检测发展
研究人员开发了两个新的多视角相机三维目标检测框架。CAM3DNet 通过集成复合查询、自适应自注意力机制和多尺度混合采样来挖掘多尺度特征,在 nuScenes 和 Waymo 等基准数据集上表现优于现有的基于相机的方法。另一方面,See and Detect 是一个图像驱动的框架,它使用多视角图像作为主要证据,能够在 ScanNet 和 ARKitScenes 等数据集上实现更快、更准确的三维目标定位和开放词汇分类。
-
MoCAR框架推进自动驾驶汽车轨迹预测
研究人员开发了MoCAR,一种用于自动驾驶汽车轨迹预测的新型自回归框架。MoCAR通过在连续的、坐标感知的潜在空间中生成编码来预测未来运动,该空间内在地处理了运动的连续性和多模态性。这种方法避免了复杂的重新标记化或提议-精炼步骤,在Argoverse基准测试中取得了顶级性能,并展示了在不同数据集之间强大的零样本迁移能力。
-
新的BLNet架构增强自动驾驶轨迹预测
研究人员开发了BLNet,一种新颖的双流架构,旨在改进自动驾驶系统的轨迹预测。该方法通过提供对未来行为和车道约束更细粒度和更连续的描述,解决了现有算法的局限性。BLNet使用并行注意力机制整合行为意图识别和车道约束建模,为行为状态和车道拓扑生成特定查询。在nuScenes和Argoverse数据集上的实验表明,与当前的回归和基于目标的方法相比,性能有了显著提高。
-
新的COTTA策略提升了自动驾驶轨迹预测能力
研究人员开发了一种名为COTTA的新迁移学习策略,以改进自动驾驶在不同地理区域的轨迹预测模型。当将在美国数据上训练的模型迁移到韩国道路环境时,COTTA展示了显著的性能提升。具体而言,仅微调解码器而保持编码器冻结,与从头开始训练相比,预测误差降低了66%以上,为在全球范围内部署这些安全关键型系统提供了一种实用的方法。