端到端的自动驾驶论文与代码整理

最新推荐文章于 2025-08-19 17:12:55 发布
原创 最新推荐文章于 2025-08-19 17:12:55 发布 · 550 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

这篇博客介绍了'Learning by Cheating'的研究成果，这是一种新的机器人学习方法。作者分享了他们在2020年CARLA挑战赛中的提交，并提及了最新的进展——World on Rails。这项工作通过模拟作弊的方式，提高了机器人学习的效率和性能。
自动驾驶架构进化史：端到端自动驾驶演变
自动驾驶实战
08-10 5539
2023年以来，在行业龙头特斯拉的标杆作用、大模型代表的AGI技术范式、以及自动驾驶拟人化和安全性需求的共同推动下，自动驾驶行业对于端到端的关注度一路升温。产业界、学术界和资本市场在端到端自动驾驶领域都有里程碑事件发生。端到端自动驾驶已经成为明确的行业共识。
CVPR2025自动驾驶端到端前沿论文汇总
二爷的博客
03-17 1576
汇总CVPR2025自动驾驶前沿论文。
两段式端到端自动驾驶：PLUTO: Pushing the Limit of Imitation Learning-based Planning for Autonomous Driving
a8598671的博客
03-26 1888
自动驾驶系统的核心在于其运动规划器（motion planner）：该模块负责在复杂、多变的交通环境中，制定一条既安全又高效的驾驶轨迹。近年来，基于学习的运动规划器取得了显著进展，通过模仿人类轨迹端到端学习规划策略，在实验中表现出良好的性能。但基于模仿学习（Imitation Learning, IL）的方法在实际部署中仍面临泛化性差、安全性不足、可解释性弱等挑战。
清华&地平线！SparseDrive:端到端自动驾驶 论文精读
记录学习内容
07-04 5910
传统的模块化自动驾驶系统被分解为不同的独立任务，例如感知、预测和规划，这导致了信息丢失和跨模块的误差累积。相比之下，端到端范式将多任务统一到一个完全可微分的框架中，允许以规划为导向进行优化。尽管端到端范式潜力巨大，但现有方法在性能和效率方面并不令人满意，特别是在规划安全性方面。我们认为这是由于计算成本高昂的 BEV（鸟瞰图）特征和直接的预测与规划设计。为此，我们探索了稀疏表示并回顾了端到端自动驾驶的任务设计，提出了一种名为 SparseDrive 的新范式。
【自动驾驶】8月 端到端自动驾驶算法论文（arxiv20250819）
最新发布
聿默的博客
08-19 1253
自动驾驶领域近期研究聚焦于感知增强、规划优化和系统鲁棒性。CP-FREEZER首次揭示了协同感知系统的延迟攻击风险，实验显示攻击可使处理时延提升90倍。多篇研究探索多模态融合方法：GroundingOcc通过粗到精策略实现3D占据空间定位，DiffSemanticFusion融合栅格与图结构表示提升轨迹预测性能（nuScenes任务提升5.1%）。BEV（鸟瞰图）感知成为技术热点，ME3-BEV和GMF-Drive分别引入Mamba架构和门控融合机制优化端到端系统。风险感知方面，RiskMap提出将风险地图
Paper Recommend Autodriving-Heart 在自动驾驶之心平台的论文推荐专栏文章列表整理。.zip
04-06
这些项目可能包括感知模块、决策模块和控制模块的实现，甚至包括完整的端到端自动驾驶解决方案。 总的来说，通过“自动驾驶之心”平台的论文推荐和开源项目，学习者可以全面了解自动驾驶的前沿技术和工程实践。无论...
自动驾驶论文复现《HybridNets: End-to-End Perception Network》
04-09
包含项目代码以及整理好的数据集，相关bug已经解决好，由于数据集太大，需要整理好的数据集可以私信我。 论文摘要： 端到端网络在多任务处理中变得越来越重要。其中一个突出的例子是驾驶感知系统在自动驾驶中的重要...
CVPR2024自动驾驶轨迹预测方向的论文整理
u010062386的专栏
07-05 6057
提出针对在线地图不确定性带给轨迹预测的影响对应的解决方案。在轨迹预测中，利用在线地图不确定性是一个重要的课题。随着位置数据的增加和地图更新的频率加快，准确地处理这些不确定性变得至关重要。通过这些步骤，我们可以有效地利用在线地图的不确定性来提高轨迹预测的准确性。
开源端到端自动驾驶
03-19
- **代码与工具**：提供了用于实现端到端自动驾驶算法的具体框架和示例代码，支持快速原型设计和验证过程[^3]。 #### 另一重要开源成果 DriveAdapter 另一个值得关注的工作是 ICCV 2023 的开源项目 **DriveAdapter*...
多模态融合前沿论文与代码合集：涵盖3D检测与自动驾驶
本文所整理的“多模态融合论文合集[项目代码]”汇集了16篇2023年具有代表性的前沿研究成果，涵盖了从理论建模到实际系统部署的完整链条，尤其聚焦于自动驾驶、3D目标检测、图像分割、动态融合机制以及传感器标定等多...
车辆的端到端自动驾驶（利用回归实现）
09-23
（不是完整项目，适用于学习）根据英伟达的端到端车联自动驾驶论文完成复现。文章：https://blog.youkuaiyun.com/chepwavege/article/details/92761789 涉及技术：Pycharm + Keras + Python 3.6 + numpy + opencv3.3.1+ udacity's self-driving car simulator 自己练手写的，注释比较详细，代码管理很烂，凑活看吧。
端到端学习在自动驾驶中的使用
03-24
介绍了端到端学习在自动驾驶中的应用和具体实现的介绍，有图有真相
一篇关于自动驾驶的论文
06-27
一篇关于自动驾驶的论文，上传上来和大家一起分享。。。
【论文精读】VLM-AD：通过视觉-语言模型监督实现端到端自动驾驶
记录学习内容
02-21 2342
人类驾驶员依赖常识推理来应对复杂多变的真实世界驾驶场景。现有的端到端（E2E）自动驾驶（AD）模型通常被优化以模仿数据中观察到的驾驶模式，但未能捕捉到背后的推理过程。这种限制使得它们在处理具有挑战性的驾驶场景时能力受限。为了弥合这一差距，我们提出了VLM-AD，一种利用视觉语言模型（VLMs）作为教师来增强训练的方法，通过提供额外的监督信号，将非结构化的推理信息和结构化的动作标签融入训练中。这种监督能够增强模型学习更丰富的特征表示的能力，从而捕捉驾驶模式背后的逻辑。
CVPR 2024论文分享┆LMDrive：基于大模型的闭环端到端自动驾驶
audyxiao001的博客
08-22 2382
本文介绍了一篇CVPR 2024的一篇经典论文《LMDrive: Closed-Loop End-to-End Driving with Large Language Models》。该论文提出了一种语言引导的闭环自动驾驶框架LMDrive
入行端到端自动驾驶，今年必读的十篇最前沿论文
CV_Autobot的博客
08-14 6813
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享十篇端到端论文的汇总，入门自动驾驶必读！如果您有相关工作需要分享，请在文末联系我们！自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一步咨询>>点击进入→自动驾驶之心『端到端自动驾驶』技术交流群论文作者|禾呈三金编辑 | 自动驾驶之心En...
一文了解“端到端”自动驾驶模型
热门推荐
qq_22751305的博客
08-05 1万+
对于华为、小鹏等国内玩家而言，大家普遍尚处于感知“端到端”、决策规划模型化阶段。参考特斯拉在2021和2022年年底的AI Day上分别公布了BEV和Occupancy Network的技术架构，“端到端”是深度学习中的概念，英文为“End-to-End（E2E）”，指的是一个AI模型，只要输入原始数据就可以输出最终结果。应用到自动驾驶领域，意味着只需要一个模型，就能把摄像头、毫米波雷达、激光雷达等传感器收集到的感知信息，转换成车辆方向盘的转动角度、加速踏板的踩踏深度以及制动的力度等具体操作指令，让汽车实现
【自动驾驶】《End-to-End Autonomous Driving without CostlyModularization and 3D Manual Annotation》UAD论文阅读笔记
聿默的博客
11-19 1534
提出 UAD，一种基于视觉端到端的自动驾驶算法。在nuScenes中实现最佳的开环评估性能，同时在CARLA仿真平台中展现出稳健的闭环驾驶性能。发现目前的方法仍然模仿典型驾驶栈中的模块化架构，通过精心设计的监督感知和预测子任务，为定向规划提供环境信息。之前的方法有两大缺点，第一是需要大量的精细的3D标注，第二是每个子模块在训练与推理都需要大量计算开销。提出的UAD，是一种非监督的方法。首先，我们设计了一种新的角度感知预文本来消除标注需求。通过预测角度方向的空间对象性和时间动态来模拟驾驶场景，而无需手动标注。
论文翻译-端到端自动驾驶的多模态融合transformer
a699669的博客
12-12 1878
用于端到端自动驾驶的多模态融合transformer 摘要：如何将互补传感器的表示集成到自动驾驶中？基于几何的传感器融合已经显示出对物体检测和运动预测等感知任务的巨大希望。然而，对于实际驾驶任务，3D场景的全局上下文是关键（全局上下文是指不同对象之间的语义关系？），例如交通灯状态的变化可以影响几何上远离该交通灯的车辆的行为。因此，单独的几何可能不足以有效地融合端到端驾驶模型中的表示。在这项工作中，我们证明了基于现有传感器融合方法的模仿学习策略在高密度动态智能体和复杂场景的存在下执行不足，这需要全局上下文推理
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值