bird's-eye-view (BEV)
PulseAugur coverage of bird's-eye-view (BEV) — every cluster mentioning bird's-eye-view (BEV) across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
可穿戴眼动追踪器精度评估用于自动驾驶
一项新近发表在arXiv上的研究评估了可穿戴眼动追踪器在自动驾驶系统中的精度。研究人员开发了一个框架，用于量化真实驾驶条件下的注视点追踪精度，发现平均误差为4.58度。室内研究表明，头部运动、光照和注视偏心等因素会显著影响精度，这表明在自动驾驶汽车中可靠的鸟瞰式监控可能需要在线重新校准。
-
Qwen-Drive-1.0 集成了 3D 感知、VQA 和运动规划，用于自动驾驶
Qwen 推出了 Qwen-Drive-1.0，一个专为自动驾驶设计的视觉语言基础模型。该模型通过利用预训练的 VLM 架构和外部模块，统一了 3D 感知、视觉问答和运动规划。它包含一个鸟瞰视角感知头，用于 3D 对象检测和语义占用预测等任务，以及一个用于生成未来轨迹的规划专家。该模型采用分阶段的配方进行训练，结合了驾驶监督和通用视觉语言数据，以保持广泛的能力。
-
Flow matching planner generates direct control trajectories for autonomous driving
研究人员开发了一种新的用于自动驾驶的流匹配规划器，可以直接生成控制轨迹。该模型使用周围环境的鸟瞰图表示，并且可以通过少量常微分方程积分步骤生成控制序列，从而实现低延迟推理。该规划器仅在城市场景下进行训练，并表现出对高速公路等分布外环境的可靠泛化能力，保持了稳定的控制。
-
新方法通过跨视图监督改进高清地图构建
研究人员开发了一种名为跨视图监督（CVS）的新方法，利用来自多个摄像机的鸟瞰图（BEV）表示来改进高清地图的构建。传统方法在处理不完整数据和视角效应方面存在困难，而CVS将几何知识从俯视视角转移到基于摄像机的编码器。该技术在不改变推理架构的情况下增强了结构一致性，从而显著提高了精度，尤其是在更远的距离上。