Waymo Open Dataset
PulseAugur coverage of Waymo Open Dataset — every cluster mentioning Waymo Open Dataset across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究利用先进的模拟器和基准来解决自动驾驶安全问题
研究人员正在开发新的方法和基准来提高自动驾驶系统的安全性和鲁棒性。其中一种方法 MultiSim 使用模拟器集成来识别在不同模拟环境中都一致的导致故障的场景，其表现优于单一模拟器测试。另一项开发 Shift & Drift 是一个基准，旨在测试运动规划器在语义偏移和执行扰动下的表现，揭示了模仿保真度和韧性之间的权衡。此外，WCog-VLA 是一个结合了世界认知和生成模型以实现主动自动驾驶的新颖框架，而 CARLA-GS 通过解耦表示、…
-
Polycepta框架通过动态表观估计增强多目标跟踪能力
研究人员开发了Polycepta，一个用于多目标跟踪中以物体为中心的表观状态估计的新框架。与使用静态描述符的传统方法不同，Polycepta递归地估计并持续更新每个物体的独立表观状态，从而随着时间的推移提高准确性。这种方法可以估计未知类别的表观，并在KITTI等基准测试中展示了显著的性能提升，包括身份切换的减少和最先进的结果。
-
提出车联网联邦基础模型
研究人员提出了一种新颖的方法，将多模态、多任务联邦基础模型（M3T FedFMs）集成到车联网中。此集成旨在结合M3T FM的先进能力和联邦学习的隐私保护特性。该论文概述了基础训练原则、车辆中的潜在用例，并确定了实际部署的挑战，指出了未来的研究方向。一项使用Waymo Open Dataset的案例研究证明了该方法的潜力，并发布了代码以供复现。
-
StreetNVS融合多传感器数据用于新视角合成
研究人员开发了StreetNVS，一个新颖的视频扩散框架，用于合成驾驶场景的新视角。该方法有效地融合了来自包括LiDAR、摄像头和自我运动在内的多种传感器的数据，以生成高质量的新视角。StreetNVS的性能显著优于现有方法，即使在使用明显更稀疏的LiDAR数据时也是如此，并展示了在生成极端轨迹外路径的视角方面的能力。
-
Vanilla ViT 在汽车点云分割领域达到最先进水平
研究人员开发了 VaViT，一种有效利用 vanilla Vision Transformer (ViT) 架构对汽车激光雷达点云进行语义分割的方法。该方法通过采用专门的分词器、轻量级解码器和定制的数据增强，解决了 U-Net 架构在该领域的统治地位。VaViT 在 nuScenes、SemanticKITTI 和 Waymo Open Dataset 等数据集上进行了验证，其性能可与当前最先进的方法相媲美甚至超越，同时保持了 ViT…
-
Mode-as-Sequence 框架提高了运动预测的准确性
研究人员推出了一种新颖的多模态运动预测框架 Mode-as-Sequence，该框架通过对预测的未来轨迹之间的依赖关系进行建模，解决了稀疏监督的挑战。该方法旨在生成更多样化和可靠的预测，提高置信度排序和准确性。该框架包括两种实现方式：ModeSeq 和 Parallel ModeSeq，它们在 Waymo Open Dataset 挑战赛中展示了最先进的性能，并在关键预测赛道上获得了第一名。
-
STELLAR模型通过3D数据融合推进自动驾驶感知
研究人员开发了STELLAR，一款用于自动驾驶3D感知的新型大型模型，通过扩展稀疏窗口Transformer来整合激光雷达、雷达、摄像头和地图数据。该模型在包含5000万个驾驶示例和多达5亿个参数的数据集上进行训练，并在Waymo Open Dataset上达到了新的最先进水平。研究表明，通过大型数据集和计算能力扩展模型是推进自动驾驶感知系统的可行途径。
-
AI研究推动3D重建和场景理解进展
研究人员正在探索用于3D重建和场景理解的先进技术，重点关注优化计算资源和提高准确性。研究探讨了医学成像中2D、2.5D和3D模型之间的权衡，研究结果表明2.5D CNN提供了有利的平衡。其他工作引入了用于扩散时间步长调度的框架，以提高3D CT重建的效率和保真度。此外，正在开发新的在线3D视觉-语言模型，用于从流式视频进行实时空间理解，并提出了自适应特征优化方法来提高3D场景重建的质量。
-
3D高斯泼溅通过新框架和技术取得进展
研究人员正通过新框架和技术推进3D高斯泼溅（3DGS）。X-GS集成了感知和多模态模型，用于视觉基础和场景描述等任务。其他工作则专注于通过欧拉优化、动静分解和激光雷达引导重建等方法来提高3DGS的效率和质量。新方法还解决了关节物体重建和自主机器人路径规划中的挑战。
-
3D 高斯泼溅技术在场景表示和编辑方面取得进展
研究人员正在通过新的方法改进 3D 高斯泼溅（3DGS）技术，以增强场景表示、编辑和压缩。创新包括用于更好地模拟非对称结构的偏态正态泼溅（Skew-Normal Splatting），以及用于生成一致的多房间 VR 游览的 PanoWorld。其他发展则侧重于用于自动驾驶的物理驱动场景编辑、3DGS 内容的美学评估以及 GETA-3DGS 等高效压缩技术。