Argoverse2
PulseAugur coverage of Argoverse2 — every cluster mentioning Argoverse2 across labs, papers, and developer communities, ranked by signal.
-
GraphBEV++框架解决了自动驾驶感知中的特征不对齐问题
研究人员推出了GraphBEV++，一个旨在解决自动驾驶系统鸟瞰图（BEV）感知中特征不对齐问题的新型框架。该框架包含两个主要模块：LocalAlign-v2，它使用图匹配来处理邻域感知的深度特征，以纠正局部不对齐；以及GlobalAlign-v2，它提供可变形和扩散变体来解决全局不对齐问题。GraphBEV++在nuScenes和Waymo等数据集上展示了最先进的性能，在感知、预测和规划任务中提高了准确性和鲁棒性，即使在校准不确定性下也是如此。
-
SimPB++模型统一自动驾驶中的二维和三维物体检测
研究人员开发了SimPB++，这是一个端到端的模型，旨在为多摄像头自动驾驶系统同时检测透视图中的二维物体和鸟瞰图中的三维物体。该模型采用了一种新颖的混合解码器架构，该架构可交互地耦合二维和三维解码器，并具有动态查询分配和自适应查询聚合功能，以获得更精细的三维表示。SimPB++还采用了远程感知策略，并支持混合监督，减少了对大量三维标注的需求。
-
激光雷达单传感器高精地图构建方法通过知识蒸馏增强语义线索
研究人员开发了LIE，一种仅使用激光雷达数据构建自动驾驶高精地图的新方法。该方法通过利用知识蒸馏来增强对激光雷达点云和强度图的语义理解，克服了基于相机的局限性。与最先进的基于相机的模型相比，LIE表现出更优越的性能，在各种条件下实现了更高的准确性和鲁棒性，并显示出对新数据集的高效适应性。
-
统一地图先验编码器增强自动驾驶建图与规划
研究人员开发了一种统一地图先验编码器（UMPE），旨在将高清/标清矢量地图、栅格地图和卫星图像等多样化的地图数据整合到自动驾驶系统中。该编码器通过为矢量和栅格数据采用独立的分支，并配备对齐和融合机制，解决了数据异构性和姿态漂移等挑战。UMPE在nuScenes和Argoverse2等数据集上显著提高了建图精度，并在端到端规划任务中显著降低了轨迹误差和碰撞率。