XiaoMi-AI文件搜索系统
World File Search SystemBev
bevcar：bev地图和对象分割的摄像机雷达融合
摘要 - 从鸟类的视图（BEV）角度来看，语义场景细分在促进移动机器人的计划和决策方面起着至关重要的作用。尽管最近仅视力的方法表现出了显着的性能进步，但它们通常在不利的照明条件下（例如降雨或夜间）挣扎。虽然主动传感器为这一挑战提供了解决方案，但激光雷达的高成本仍然是一个限制因素。将摄像机数据与汽车雷达融合起来是更便宜的替代方法，但在先前的研究中受到了较少的关注。在这项工作中，我们旨在通过引入Bevcar（一种新型的BEV对象和地图细分方法）来推动这一有希望的途径。我们方法的核心新颖性在于首先学习原始雷达数据的基于点的编码，然后将其利用以有效地将图像特征抬起到BEV空间中。我们对Nuscenes数据集进行了广泛的实验，并证明Bevcar优于当前的技术状态。此外，我们表明，合并雷达信息显着提高了挑战性环境条件中的鲁棒性，并提高了远处对象的细分性能。为了培养未来的研究，我们提供了实验中使用的Nuscenes数据集的天气拆分，以及http://bevcar.cs.uni-freiburg.de的代码和训练有素的模型。
bevdriver：利用LLMS中的BEV地图进行强大的闭环驾驶
摘要 - 自主驾驶有可能为更有效的未来移动性奠定基础，要求研究领域通过安全，可靠和透明的驾驶来建立信任。大语言模型（LLM）具有推理能力和自然语言的理解，具有作为可以与人类互动和为人类驾驶员设计的环境互动的自我运动计划的普遍决策者的潜力。尽管这条研究途径很有希望，但当前的自动驾驶方法通过结合3D空间接地以及LLMS的发展和语言能力来挑战。我们介绍了BEV-驱动程序，这是一种基于LLM的模型，用于Carla中的端到端闭环驾驶，它利用潜在的BEV功能作为感知输入。bevdriver包括一个BEV编码器，以有效地处理多视图图像和3D LiDAR点云。在一个共同的潜在空间中，BEV特征通过Q-前者传播，以与自然语言指示保持一致，并传递给LLM，该LLM预测和计划在考虑导航说明和关键场景的同时，可以精确的未来轨迹。在Langauto基准测试中，与SOTA方法相比，我们的模型在驾驶得分上的性能高达18.9％。
影响BEV汽车电池组的振动负载测试水平
摘要：电池电动汽车（BEV）的车辆市场份额越来越大。为了确保在板座牵引力电池下大部分大部分大部分的安全操作，必须在现实条件下预先开发和测试。当前标准通常不能为环境和终生测试提供足够的现实要求，因为这些要求主要基于具有内燃机（ICE）的汽车测量的数据。在这项工作之前，对两辆电池供电的电动汽车和一辆电池供电的商用迷你卡车进行了振动测量，对各种路面和其他影响。测量数据经过统计评估，因此可以对在电池组壳体测得的振动以及影响参数的散布的各种参数的影响。通过基于现有的测量数据创建负载功能，可以质疑当前标准，并在开发振动过程中获得的新见解，用于对BEV进行现实测试的现实测试。
有效的端到端视觉定位，用于脱钩的BEV神经匹配
摘要 - 准确的定位在高级自主驾驶系统中起重要作用。传统地图匹配的本地化方法通过具有传感器观测值的明确匹配的地图元素来解决姿势，通常对感知噪声敏感，因此需要昂贵的超级参数调整。在本文中，我们提出了一个端到端定位神经网络，该神经网络直接估计车辆从周围图像中构成，而没有与HD图明确匹配的感知结果。为确保效率和可预性能力，提出了一个基于BEV神经匹配的姿势求解器，估计在基于可区分的采样匹配模块中估计姿势。此外，通过将每个姿势DOF影响的特征表示形式解耦来大大降低采样空间。实验结果表明，所提出的网络能够执行分解器水平的定位，平均绝对误差为0.19m，0.13m和0.39◦在纵向，横向位置和偏航角度，同时表现出68.8％的推理记忆使用率降低了68.8％。
有效的端到端视觉定位，用于脱钩的BEV神经匹配
摘要 - 准确的定位在高级自主驾驶系统中起重要作用。传统地图匹配的本地化方法通过具有传感器观测值的明确匹配的地图元素来解决姿势，通常对感知噪声敏感，因此需要昂贵的超级参数调整。在本文中，我们提出了一个端到端定位神经网络，该神经网络直接估计车辆从周围图像中构成，而没有与HD图明确匹配的感知结果。为确保效率和可预性能力，提出了一个基于BEV神经匹配的姿势求解器，估计在基于可区分的采样匹配模块中估计姿势。此外，通过将每个姿势DOF影响的特征表示形式解耦来大大降低采样空间。实验结果表明，所提出的网络能够执行分解器水平的定位，平均绝对误差为0.19m，0.13m和0.39◦在纵向，横向位置和偏航角度，同时表现出68.8％的推理记忆使用率降低了68.8％。
bevfastline：自动停车申请的单拍快速BEV线检测
摘要：在自主停车场景中，准确的近场环境感知对于平稳操作至关重要。停车线的检测与富有理解的车道检测不同，由于缺乏方向，位置和色彩，图案和背景表面的各种外观的空间一致性而提出了独特的挑战。因此，依赖锚和偏移的车道检测的最新模型并非直接适用。本文介绍了BevFastline，这是一种新颖的端到端线条标记鸟类眼视图（BEV）空间中的架构，该空间是为360◦多相机感知应用而设计的。bevfastline将我们的单发线检测方法与先进的反视角映射（IPM）技术集成在一起，尤其是我们的快速分裂技术，以在各种空间上下文中有效地检测线条标记。此方法适用于3级自动化车辆中的实时硬件。BEVFastline准确地将停车线定位在BEV空间中，最高为10厘米。我们的方法，包括更快的快速SPLAT和单杆检测，超过LSS及其准确性，达到80.1％的精度，90％的召回率，几乎使基于BEV的分段和多线线模型的性能翻了一番。这种简化的解决方案在复杂的，动态的停车环境中非常有效，在自我车辆周围10米以内的高精度定位。
CD47：非小细胞肺癌的免疫检查点封锁中的下一个边界
如果没有Litens Automotive的资金和支持，这项工作是不可能的，Litens Automotive提供了2020 Model 3 SR+用于数据收集的2020 Model 3 SR+。他们处理了车辆中MOTEC数据收集设备的安装。对安德鲁和他的团队，我感谢您的支持。 没有院长战略基金，这项工作也将是不可能的，该基金资助了第2章中讨论的BA-DCFC实验设置的一部分。 对我的同事们，我现在算作这次旅程的朋友：Amir，Sam，Zhe，Nameer，Satyam，Satyam，Shawkat，sawkat，Violet，Tim和Avram，很高兴与您一起工作。 我非常感谢我的朋友和家人支持我。 对我的兄弟姐妹，谢谢您的一切。 向我的父母养育了我从小就对工程学的兴趣，与您分享这个职业是一种荣幸。 感谢您的无休止的爱和支持。 我已经走了这么远，因为你。对安德鲁和他的团队，我感谢您的支持。没有院长战略基金，这项工作也将是不可能的，该基金资助了第2章中讨论的BA-DCFC实验设置的一部分。对我的同事们，我现在算作这次旅程的朋友：Amir，Sam，Zhe，Nameer，Satyam，Satyam，Shawkat，sawkat，Violet，Tim和Avram，很高兴与您一起工作。我非常感谢我的朋友和家人支持我。对我的兄弟姐妹，谢谢您的一切。向我的父母养育了我从小就对工程学的兴趣，与您分享这个职业是一种荣幸。感谢您的无休止的爱和支持。我已经走了这么远，因为你。
根据动态管理能力和普通能力的理论重新评估丰田对BEV的策略
随着丰田汽车公司（Toyota）的多道路策略的推动，它也完全致力于电池电动汽车（BEV），并设定了一个目标，目的是在2026年到2030年，到2030年，到2026年和350万次。在中国，降低BEV价格的竞争正在加剧，Byd和其他中国汽车制造商正在加速他们向东南亚的扩张。 此外，就性能的主要组成部分而言，Toyota落后于特斯拉和中国汽车制造商，这是性能的主要组成部分（SDV）水平。 ，与特斯拉和比德相比，丰田在研发（R＆D）上花费的花费少。 尽管丰田通过未能展示出色的动态管理能力（DMC）来迟到电动汽车转变，但其强大的官方能力（OC）使其能够继续保持良好状态和“购买时间”，同时为未来的BEV开发提供“擦除资金”。 丰田的问题很可能集中在动态资源能力（DRC）上，包括需要将更多资源分配给研发范围和开发时间表，而没有留出足够的空间。 通过OC/DMC框架的效用，可以将这种认识归为四个类别并列出公司的功能。 产品的挑战是如何弥补SDV级别的延迟以及是否可以实现与Byd竞争的成本。 如果全稳态电池的开发成功进行，则可能会在很大程度上改善这些问题。在中国，降低BEV价格的竞争正在加剧，Byd和其他中国汽车制造商正在加速他们向东南亚的扩张。此外，就性能的主要组成部分而言，Toyota落后于特斯拉和中国汽车制造商，这是性能的主要组成部分（SDV）水平。，与特斯拉和比德相比，丰田在研发（R＆D）上花费的花费少。尽管丰田通过未能展示出色的动态管理能力（DMC）来迟到电动汽车转变，但其强大的官方能力（OC）使其能够继续保持良好状态和“购买时间”，同时为未来的BEV开发提供“擦除资金”。丰田的问题很可能集中在动态资源能力（DRC）上，包括需要将更多资源分配给研发范围和开发时间表，而没有留出足够的空间。通过OC/DMC框架的效用，可以将这种认识归为四个类别并列出公司的功能。产品的挑战是如何弥补SDV级别的延迟以及是否可以实现与Byd竞争的成本。如果全稳态电池的开发成功进行，则可能会在很大程度上改善这些问题。通过应用DMC理论（例如修改后的Christensen模型和四种新的进入策略）获得了这些见解。
unibev：具有均匀BEV编码器的多模式3D对象检测，以抗缺失传感器方式
摘要 - 多传感器对象检测是自动驾驶中的一个积极研究主题，但是这种检测模型的鲁棒性针对缺失的传感器输入（缺少模态）（例如，由于突然的传感器故障）是一个关键问题，这是一个关键问题，这仍然不足。在这项工作中，我们提出了Unibev，这是一种端到端的多模式3D对象检测框架，旨在稳健性，以防止缺失模式：Unibev可以在Lidar Plus相机输入上运行，但也可以在无激光镜或仅相机输入的情况下操作。为了促进其检测器头以处理不同的输入组合，Unibev旨在从每种可用方式中创建良好的鸟类视图（BEV）特征图。与以前的基于BEV的多模式检测方法不同，所有传感器模态都遵循统一的AP-prach，以从原始传感器坐标系统重新示例到BEV功能。我们还研究了各种融合策略W.R.T.的鲁棒性缺少模态：常用的特征串联，但也通过通道平均，以及对平均定期通道归一化权重的加权平均化的概括。为了验证其有效性，我们将Unibev与所有传感器输入组合的Nuscenes的最新bevfusion和Metabev进行了比较。在这种情况下，对于所有输入组合，Unibev的性能比这些基准更好。一项消融研究表明，通过对常规的con依的加权平均融合的鲁棒性优势，并在每种模态的BEV编码器之间共享查询。我们的代码将在纸上接受时发布。