V2X-Seq
PulseAugur coverage of V2X-Seq — every cluster mentioning V2X-Seq across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
CoMET方法通过跟踪路侧姿态误差改进3D车辆检测
研究人员开发了CoMET，一种用于改进异步车路协同3D检测的新颖方法。CoMET解决了路侧传感器消息中姿态误差的挑战，这些误差会转移检测结果并导致不准确，尤其是在物体仅对路侧传感器可见时。通过使用卡尔曼滤波器估计和跟踪这些共享的平移误差，CoMET提高了3D检测的准确性，特别是对于自车未见的物体。该方法在各种检测器和延迟下均显示出鸟瞰图平均精度的大幅提升。
-
FFBL-Coop框架增强协同3D多目标跟踪
研究人员开发了FFBL-Coop，一种用于协同3D多目标跟踪的新型框架，该框架将证据集成与身份管理解耦。该方法通过置信度排序的槽位录取来分离实例录取，并通过统一表示聚合来优化查询。协同优先身份锚定然后建立接受的身份分配，从而提高跟踪连续性和特征融合。FFBL-Coop在V2X-Seq和Griffin-25M等基准测试中表现强劲，共享码本在保持精度的同时减少了有效载荷。
-
新方法通过解耦时间线改进4D驾驶场景重建
研究人员开发了一种名为Dust（DecoUpled Spatio-Temporal）高斯场景图的新方法，以应对从协同自动驾驶数据重建动态场景的挑战。该方法解决了车辆和基础设施摄像头之间的时间异步问题，该问题会导致现有方法中移动物体出现重影伪影。Dust在保持代理共享外观表示的同时，将其姿态轨迹与其各自的捕获时间戳对齐，从而显著提高了重建质量和鲁棒性。
-
RetroMotion 模型使用逆因果 Transformer 进行代理运动预测
研究人员开发了 RetroMotion，这是一种用于道路使用者的运动预测的新方法，它将复杂的联合轨迹预测分解为更简单的边际和成对分布。该方法利用具有逆因果信息流的 Transformer 模型，通过考虑后续轨迹点来告知早期轨迹点，从而能够生成更准确的预测。值得注意的是，RetroMotion 不仅在多个基准数据集上取得了最先进的结果，而且还展示了其固有的遵循指令的能力，可以根据上下文命令调整预测。