超全！CVPR2024自动驾驶与CV近百篇文章看下一年主要方向

Question

如题所述

Answer 1

在即将到来的CVPR 2024会议上，自动驾驶领域的研究正展现出前所未有的创新活力。以下是部分亮点论文摘要，涵盖了端到端自动驾驶、视觉点云预测、运动规划压缩、视觉语言规划，以及智能体在仿真中的应用等关键领域。让我们一起探索这些前沿技术的最新进展：

1. **端到端自动驾驶**：[论文](https://arxiv.org/pdf/2312.03031.pdf)以新颖的系统设计推动自动驾驶流程的效率，开源代码库[代码](https://github.com/NVlabs/BEV-Planner)提供实践支持。

2. **视觉点云预测**：[论文](https://arxiv.org/pdf/2312.17655.pdf)深入研究如何从视觉数据中预测精确的点云信息，开源项目[代码](https://github.com/OpenDriveLab/ViDAR)实现这一突破。

3. **PlanKD：自动驾驶运动规划压缩**，[论文](https://arxiv.org/pdf/2403.01238.pdf)以创新的压缩算法优化了运动规划过程，开源代码[代码](https://github.com/tulerfeng/PlanKD)可供开发者参考。

4. **VLP：视觉语言规划**，通过融合视觉和语言信息，[论文](https://arxiv.org/abs/2401.05577)探索了智能决策的新维度。

5. **智能体应用**：

- **ChatSim**：[论文](https://arxiv.org/pdf/2402.05746.pdf)展示了智能对话在仿真环境中的实际效果，开源代码[代码](https://github.com/yifanlu0227/ChatSim)。

- **LMDrive**：[论文](https://arxiv.org/pdf/2312.07488.pdf)探讨了智能体如何与驾驶环境无缝交互，开源项目[代码](https://github.com/opendilab/LMDrive)。

6. **地图与交通场景理解**：大规模数据集[代码](https://github.com/LLVM-AD/MAPLM)的利用，为自动驾驶提供了更精准的环境理解。

7. **对抗鲁棒性提升**：[论文](https://arxiv.org/pdf/2403.01849.pdf)致力于提高自动驾驶系统对干扰的抵抗能力，相关代码库[代码](https://github.com/TreeLLi/APT)提供代码实现。

8. **提示知识 distillation**：[论文](https://arxiv.org/pdf/2403.02781)探索了如何通过知识转移提高模型性能。

9. **区域理解视觉语言模型**：[论文](https://arxiv.org/pdf/2403.02330)将视觉和语言模型紧密结合，增强了场景理解能力。

10. **语义场景补全**：

- **Symphonize 3D**：[论文](https://arxiv.org/pdf/2306.15670.pdf)通过创新方法扩展3D场景细节，开源代码[代码](https://github.com/hustvl/Symphonies)。

- **PaSCo：城市3D全景场景补全**，尽管链接缺失，但该项目展示了城市环境的细致还原。

此外，还有其他技术如OCC, SelfOcc, Cam4DOcc, PanoOcc等，以及3D对象检测和深度感知的最新进展。这些论文和代码库共同构建了自动驾驶研究的坚实基础，预示着未来CVPR 2024将在自动驾驶技术上带来更多的突破和创新。对于想要深入了解自动驾驶的开发者和研究者，这些资源无疑是一份宝贵的指南。