自动驾驶benchmark（自动驾驶公司）

本篇文章给大家谈谈自动驾驶benchmark，以及自动驾驶公司对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

1、目标检测算法——3D公共数据集汇总(附下载链接)
2、VAD系列开启全新“多模态端到端自动驾驶革命”,将多模态概率规划推向新...
3、Cam4Occ:自动驾驶应用中Camera-Only的4D占用预测基Benchmark

目标检测算法——3D公共数据集汇总(附下载链接)

1、下载链接：The KITTI Vision Benchmark Suite简介：KITTI数据集同样是自动驾驶领域最重要的数据集之一，提供了大量的真实场景数据，用于更好地度量和测试算法的表现。除了3D目标检测外，KITTI数据集还可用于评测立体图像、光流、视觉测距、3D跟踪等计算机视觉技术在车载环境下的性能。

2、链接：Connection denied by Geolocation 简介：H3D数据集由本田研究所发布，使用3D LiDAR扫描仪收集，包括3D多目标检测和跟踪数据。包含160个拥挤、高度互动的交通场景，27，721帧中有超过100万个标记实例。

（图片来源网络，侵删）

3、车牌检测：数据集下载链接：suo.nz/2pPIpw。包含433张图像，图像中带有汽车牌照的边界框注释。注释以PASCAL VOC格式提供。美国50个州车牌+DC：数据集下载链接：suo.nz/2MjGSn。数据集由维基百科和plateshack.com提供，包含一些追溯至1900年代初期的车牌。

4、AI-TOD航空图像数据集数据集下载地址：m6z.cn/5MjlYk AI-TOD 在 28，036 张航拍图像中包含 8 个类别的 700，621 个对象实例。与现有航拍图像中的目标检测数据集相比，AI-TOD 中目标的平均大小约为 18 像素，远小于其他数据集。

VAD系列开启全新“多模态端到端自动驾驶革命”,将多模态概率规划推向新...

1、VAD系列，包括VAD和VADv2，是近年来在自动驾驶领域提出的创新算法框架，它们通过全新的方法实现了端到端自动驾驶，并将多模态概率规划推向了新的高度。VAD：基于矢量场景表征的端到端自动驾驶 VAD算法摒弃了传统的栅格化场景表征，转而采用矢量化的方式对整个驾驶场景进行建模。

（图片来源网络，侵删）

2、VAD系列确实开启了全新“多模态端到端自动驾驶革命”，将多模态概率规划推向了新高度。具体体现在以下几个方面：矢量化场景表征：VAD摒弃了传统的栅格化表征方式，采用矢量化方法对驾驶场景进行建模。这种表征方式显著提升了规划性能和推理速度，为端到端自动驾驶的实现奠定了坚实基础。

3、VAD系列的研究方向包括与现有规控架构结合进一步提升系统鲁棒性，以及在更复杂真实场景中的验证。参考文献包含了VAD系列论文的详细信息以及相关领域的重要工作，如基于Transformer的传感器融合、空间-时间特征学习、规划导向的自动驾驶和模仿学习等。

4、引言 VADv2是VAD（Vectorized Autonomous Driving）的改进迭代版本。与初始版本的VAD强调矢量化的场景表示相比，VADv2更加强调概率表示，这一点在论文的Abstract中得到了明确介绍。该版本通过输出动作的概率分布，并从中采样一个动作来控制车辆，实现了端到端的自动驾驶。

5、在Bench2Drive数据集上的闭环评估中，MomAD框架在成功率上分别比VAD多模态变体和SparseDrive提高了13%和4%，并在舒适度评分（轨迹平滑度）上分别提升了2%和3%。这进一步证明了MomAD框架的有效性和实用性。