Argoverse 2
PulseAugur coverage of Argoverse 2 — every cluster mentioning Argoverse 2 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法无需标注即可从RGB视频重建4D驾驶场景 · 跟踪2篇论文
两篇新的研究论文介绍了无需显式标注即可从RGB视频重建4D驾驶场景的新颖方法。FreeForward4D通过协调预训练视觉模型与单目深度估计的预测,实现了度量尺度重建,在Waymo数据集上的表现优于现有方法。IGRecon4D通过使用实例级先验和激光雷达引导的深度估计来解决语义泄露和几何漂移问题,在Waymo和nuScenes数据集上显示出改进的重建效果。
-
新的Ego2Flow基准评估自动驾驶对交通的影响
研究人员推出Ego2Flow,一个旨在评估自动驾驶对交通系统影响的新基准。该基准利用从真实城市提炼的地图,通过一个结合真实世界数据和地理信息的代理引导框架创建,以保留关键的道路细节。Ego2Flow根据交通效率、安全、稳定性和能耗来评估自动驾驶策略,并发布了六个源自Argoverse 2数据集的CARLA地图以促进这些评估。
-
MoLaRx框架解决了VLM轨迹规划中的域偏移问题
研究人员开发了一个名为MoLaRx的新框架,以解决用于轨迹规划的视觉语言模型(VLM)中的域偏移问题。与以往统一处理域偏移的方法不同,MoLaRx识别出偏移是跨模态(图像与文本)和VLM内部层级结构化的。该框架使用因果重要性评分来精确定位这些偏移位置,然后对特定层级应用有针对性的修复技术,例如最大均值差异或低秩适应。在不同的VLM架构和驾驶数据集上的评估表明,与统一适应方法相比,MoLaRx显著减少了轨迹误差,同时需要更少的训练参数和…
-
新型感知对象模型增强自动驾驶地图预测能力
研究人员开发了ObjectGuidedMap,一种用于在自动驾驶系统中预测鸟瞰图(BEV)地图的新型多任务架构。该模型联合预测BEV地图和3D对象,允许两者之间进行信息交换。通过整合对象检测和跨任务特征融合,ObjectGuidedMap提高了地图预测的准确性,尤其是在物体遮挡严重的情况下,在nuScenes和Argoverse 2数据集上mAP提高了21%。
-
eMudhra CA 泄露促使 Python 证书更新;推出新的驾驶重建模型
eMudhra 中间 CA 证书的泄露导致 Python 的 uv 0.13.4 和 pip 26.2.2 以及 certifi 包版本 2026.10.19 发布了更新的证书列表。此次安全事件需要更新各种软件,包括 Linux 发行版,以减轻与泄露的私钥相关的风险。与此同时,另一篇研究论文介绍 PointForward V2,这是前馈驾驶场景重建的一项进展,通过场景结构化寄存器改进了时空推理,在驾驶基准测试中取得了最先进的性能。
-
新框架实现交互式物体轨迹的前瞻性推理
研究人员开发了一个新的框架,用于对动态环境中交互式物体的运动进行前瞻性推理。这种混合方法集成了Answer Set Programming (ASP)模型来表征运动动力学,语义引导的预测来生成未来轨迹的可能性,以及一个基于能量的优化模型来评估这些预测。该框架使用Argoverse 2基准进行了评估,为每个预期轨迹提供了明确的、可检查的假设,这使其区别于端到端的随机预测方法。
-
新的自我博弈方法提高了多智能体驾驶策略的鲁棒性
研究人员开发了一种新颖的不确定性驱动的自我博弈方法,以增强多智能体驾驶策略的鲁棒性。该方法涉及的智能体要么增加其邻居的认知不确定性,要么学会应对探索以安全驾驶。该方法有效地生成了具有挑战性的驾驶场景,无需手动干预,在 nuplan Val14 和 Argoverse 2 等基准测试中表现出色,并在 Waymo 上取得了更好的结果。
-
MESSENGER方法通过内存缓冲区增强3D运动预测
研究人员开发了一种新的场景流估计方法,该方法可以捕捉动态环境中的3D运动。他们的方法名为MESSENGER,使用内存缓冲区存储历史流估计和潜在状态,与现有方法相比,能够实现更好的长期时间相关性和未来预测。一个不确定性感知重加权模块通过过滤不可靠的数据进一步完善了该过程。在nuScenes和Argoverse 2数据集上的实验表明,MESSENGER在长视界未来外推方面显著优于当前最先进的方法。
-
新的高斯混合模型增强了车辆轨迹预测能力
研究人员开发了一种新的上下文感知注意力机制高斯混合模型(CAA-GMM),用于在复杂驾驶场景中预测车辆轨迹。该模型采用概率混合方法,以场景上下文和代理动态为条件,以捕捉多样的行为模式。注意力机制能够有效地整合环境线索和运动历史,在nuScenes和Argoverse 2等数据集上实现了具有竞争力的准确性,同时保持了较低的计算成本。CAA-GMM在不完美的通信和感知条件下也表现出韧性,使其成为智能交通系统的可扩展解决方案。
-
FlexMap框架适应灵活相机配置下的高清地图构建
研究人员开发了FlexMap,一个用于构建自动驾驶高清地图的新框架,该框架可适应各种相机配置。与需要校准相机设备和显式变换的先前方法不同,FlexMap使用几何基础模型来编码跨视图3D结构,无需相机参数作为输入。正如在nuScenes和Argoverse 2数据集上的实验所示,即使在相机视图缺失或姿态估计不准确的情况下,这种方法也能保持准确性。
-
新研究通过3D几何和LLM集成推进多目标跟踪 · 已跟踪4个来源
研究人员开发了用于视频中多目标跟踪的新方法,旨在提高准确性和效率。PLANET,一种新的端到端跟踪器,通过整合3D场景几何并实现基准测试中的最先进性能,超越了图像平面的限制。YesTrack将指代式多目标跟踪重新表述为判别式任务,利用多模态大语言模型进行是/否验证,并引入时间一致性约束。此外,TQD-Track引入了用于3D多目标跟踪的时间查询去噪,通过将时间信息纳入训练过程来增强现有方法。
-
New GeoUP framework unifies 3D perception for autonomous driving
研究人员推出了一种新颖的统一3D感知框架GeoUP,用于自动驾驶,该框架利用摄像头数据。与以往常将3D几何视为下游任务的方法不同,GeoUP将度量3D结构直接整合到其共享表示中。这是通过跨图像注意力机制和感知标定的raymap编码实现的,使模型能够捕获显式的度量几何和一致的3D场景结构。GeoUP在多个基准数据集的深度估计、3D对象检测和语义占用预测方面均展现了最先进的性能。
-
MapTCL通过双向对齐增强高清地图的时间一致性
研究人员推出了一种新颖的辅助训练策略MapTCL,旨在增强在线高清(HD)地图的时间一致性。该方法通过在连续帧之间采用双向对齐来解决动态城市环境中几何噪声和时间抖动的问题。MapTCL包含双向矢量一致性学习(BVCL)以惩罚矢量实例的差异,以及栅格地图一致性学习(RCL)以稳定密集的鸟瞰图(BEV)特征。该策略在标准基准测试中表现出显著的改进,在nuScenes和Argoverse 2上提升了mAP和C-mAP分数,且没有增加推理时间。
-
新框架 INTraJ 在轨迹预测中模拟社会影响
研究人员推出了一种新颖的轨迹预测框架 INTraJ,该框架在两个不同阶段显式模拟社会影响。第一阶段(规划)使用未来的社会信息构建参考轨迹,第二阶段(反应)通过纳入局部调整来完善这些轨迹。该方法在 Argoverse 2 和 ETH/UCY 等基准测试中得到验证,可持续提高预测精度,尤其是在长视界场景下,并在多项设置中取得了最先进的成果。
-
多项式表示增强自动驾驶交通预测
一篇新论文提出在自动驾驶中将多项式表示用于长期交通场景预测。与传统的基于序列的方法相比,这种方法提供了更高的计算效率、泛化能力和预测合理性。在 Argoverse 2 和 Waymo Open 数据集上的评估表明,多项式表示可以在降低成本和增强跨数据集泛化能力的同时实现高精度。
-
CorrelationFlow:揭示无训练激光雷达场景流估计方法
研究人员推出 CorrelationFlow,一种新颖的无训练几何方法,用于激光雷达场景流估计。该方法通过在占用图像上利用连通分量标记和相关性最大化,而不是依赖大量的训练数据和自监督损失,从而区别于当前主流架构。CorrelationFlow 在 Argoverse 2 2026 场景流挑战赛上表现强劲,在无监督方法中获得第二名,并在其他方法失效的长距离范围内显示出优越的平稳降级性能。研究结果表明,经典的计算机视觉技术可以解决场景流问…
-
新的评估指标用于自动驾驶中的3D感知错误
研究人员开发了新的评估指标来衡量自动驾驶系统中3D感知错误的严重性。这些指标包括“虚假减速”(False Speed Reduction, FSR)和“最大减速度”(Maximum Deceleration Rate, MDR),分别量化了误报和漏报的影响。此外,“横向规避加速度”(Lateral Evasion Acceleration, LEA)衡量了为避免预测碰撞所需的转向力度。在nuScenes和Argoverse 2数据集上…
-
训练数据的地理多样性可提升AI驾驶模型泛化能力
研究人员发现,在用于自动驾驶的自监督潜在世界模型中,训练数据的地理多样性比数据量本身对提高其跨域泛化能力更为关键。一项研究使用来自匹兹堡、波士顿和新加坡的数据训练JEPA模型,结果显示,与仅使用单一地区等量数据训练的模型相比,该模型在迈阿密和奥斯汀的未见场景中表现出显著更好的性能。即使使用单一地理区域的更大数据集进行训练,其泛化能力也无法与地理上多样化的较小数据集相媲美,这凸显了不同环境对模型鲁棒性性能的重要性。
-
LLM驱动的智能体自动化生物轨迹分析,新方法提高预测精度 · 跟踪6个来源
研究人员开发了SpaCellAgent,一个新颖的基于LLM的多智能体框架,旨在自动化空间和单细胞转录组学中的轨迹推断和分析。该框架旨在减少此类分析通常需要的手动干预,为时空建模提供端到端解决方案。据报道,SpaCellAgent在保持专家级性能的同时,分析效率提高了40%以上。此外,IMR和ECTraj等新方法正在推进多智能体轨迹预测在自动驾驶等应用中的发展,重点是提高准确性和降低推理延迟。
-
MapDreamer 使用扩散模型从航空影像生成车道级地图
研究人员开发了 MapDreamer,这是一种新颖的生成扩散模型,能够直接从单个航空影像合成车道级矢量地图。该模型利用由基于 Transformer 的潜在扩散模型预测的车道中心线及其拓扑关系的紧凑潜在表示。MapDreamer 通过交叉注意力将去噪步骤条件化于航空特征,以确保与观测场景的一致性,并包含一个具有背景虚车道潜在表示的车道基数模块来管理不同的车道数量。在源自 Argoverse 2 的 UrbanLaneGraph 数据集…