[2022_CVPR_LAV]论文阅读learning from all vehicles

该博客介绍了LAV论文的v2版本,探讨了其与传统IL-based方法的区别,主要在于复杂的网络模型设计,特别是融合了感知、检测和预测模块,并强调了激光雷达数据的处理。作者还提到了历史时间信息的利用,并分享了对模型架构的理解,后续将深入研究代码和文章内容。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

LAV: learning from all vehicles

  • 这篇论文v2版本已经发布,待看
  • 数据集太大暂时无法全部下载,具体的数据集内容查看mdb文件,待看

主要是大概看了一遍代码,跟以往IL-based方法最大的区别就是网络模型复杂,给我的感觉就是从完全end2end,融入了更具体的感知、检测、预测模块,尤其是lidar的处理。
此外,大佬们提及的历史时间信息的使用,后续有待细看。链接

最后贴出自己对模型架构的总结帮助理解,如有误希望大家指出。
在这里插入图片描述


后续再对文章内容、代码理解进行更新。

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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