原标题：自动驾驶两大领域的研究热点：计算机视觉＆机器人技术

来源：今日头条        链接：https://www.toutiao.com/a6761200757535408648/

本篇文章，我们总结了两场会议的自动驾驶研究情况。一场是关于计算机视觉的BMVC 2019；另一场会议是侧重于机器人技术的RSS 2019。

首先，放上这两个会议的官网传送门。

BMVC 2019：https://bmvc2019.org

RSS 2019：https://rss2019.informatik.uni-freiburg.de

BMVC 2019

BMVC是一个比较小型但质量很高的计算机视觉会议，每年都在英国举行。2019年的BMVC在Cardiff举办，下面是本次会议的一些文章汇总。

【Visuomotor Understanding for RepresentationLearning of Driving Scenes】

https://bmvc2019.org/wp-content/uploads/papers/0002-paper.pdf

简介：这是来自韩国韩国科学技术院KAIST的文章，主要研究无人监督的预培训可以释放每天自动驾驶汽车收集的大量未标记数据的潜力。在本文中，作者概述了如何在视频数据上预先训练神经网络，以帮助提高语义分割和其他任务的性能。

【Orthographic Feature Transform forMonocular 3D Object Detection】

https://bmvc2019.org/wp-content/uploads/papers/0328-paper.pdf

简介：本文来自剑桥大学Cambridge。本文介绍了一种新的神经网络层，该层用二维空间网格对车辆周围的图像空间进行映射。这种转换只使用一个摄像头，便可提升三维位置的可见车辆的精度。

【Pedestrian Action Anticipation UsingContextual Feature Fusion in Stacked RNNs】

https://bmvc2019.org/wp-content/uploads/papers/0283-paper.pdf

项目代码：https://github.com/aras62/SF-GRU

简介：本文是多伦多大学的投稿。预测行人的行为是自动驾驶汽车最具挑战性的预测案例之一。本文提出了一种利用深度学习预测行人过马路可能性的方法。

【Attentional demand estimation withattentive driving models】

https://bmvc2019.org/wp-content/uploads/papers/0996-paper.pdf

简介：这篇文章是介绍伦敦的MindVisionLabs的研究成果。虽然驾驶涉及到与许多物体的相互作用，但其中只有一部分是值得研究的。MindVisionLabs所提出的系统创建了需要注意的热图(heat maps)，这个方法可以通过只关注有限的物体来减少计算量。

【Hybrid Deep Network for Anomaly Detection】

https://bmvc2019.org/wp-content/uploads/papers/0726-paper.pdf

简介：这篇论文来自蒙特利尔大学Montreal。自动驾驶汽车的异常检测非常重要，它可以帮助汽车识别可能还没有准备好的异常情况。本文描述了一个用于检测静态场景中的异常的系统，其中网络使用自动编码器和分类器来学习输入的信息。

【Triangulation: Why Optimize?】

https://bmvc2019.org/wp-content/uploads/papers/0331-paper.pdf

简介：西班牙萨拉戈萨大学Zaragoza的论文，作者提出了一个快速封闭形式的解决方案，其中最基本的结构-运动任务——基于多视角观测的特征三角测量。

【Adversarial Examples for Handcrafted Features】

https://bmvc2019.org/wp-content/uploads/papers/0629-paper.pdf

简介：巴基斯坦国立科技大学的文章主要阐述神经网络容易受到敌对攻击。表面上正确的输入可能产生错误的输出。研究表明，传统的手工工程系统，如特征检测匹配管道系统，同样容易受到攻击。

另有17篇BMVC的论文，详请访问如下链接。

https://docs.google.com/spreadsheets/d/1QmCc8ZWYU6mbpmpQ7DU0KC84vcoiW6KPvPCLzY3Fcrk/edit?usp=sharing

RSS 2019

RSS是一个机器人大会，举办以来常会发布当下最新研究算法。

 【ChauffeurNet: Learning to Drive byImitating the Best and Synthesizing the Worst】

www.roboticsproceedings.org/rss15/p31.pdf

网站：https://sites.google.com/view/waymo-learn-to-drive/home?authuser=0

简介：Waymo的论文表明Mid-to-Mid深度驾驶学习是自动驾驶研究的最新趋势。本文探讨了如何训练一个神经网络来驾驶一辆能够避免与模仿学习相关的问题的自动驾驶汽车。特别是在以前从未见过的情况下的表现，对系统进行了仿真和实际评估。

【Segment2Regress: Monocular 3D Vehicle Localizationin Two Stages】

http://www.roboticsproceedings.org/rss15/p16.pdf

简介：韩国KAIST的论文提出环境知识可以简化和提高感知系统的性能。这个新方法展示了如何利用地面的知识，从相机数据估计汽车的6自由度姿态。使用KITTI数据集展示了其的最先进的性能。

【Game Theoretic Planning for Self-DrivingCars in Competitive Scenarios】

www.roboticsproceedings.org/rss15/p48.pdf

简介：斯坦福大学的文章提出，在反应性环境中进行最优规划是很困难的，因为规划者需要考虑其他代理对该计划的可能反应。该论文提出了一个系统，该系统在规划汽车轨迹的同时，还特别预测了赛道上其他车辆的响应。

【OIL: Observational Imitation Learning】

www.roboticsproceedings.org/rss15/p48.pdf

网站：https://sites.google.com/kaust.edu.sa/oil/

简介：沙特阿拉伯考斯特大学KAUST的论文主张教自动驾驶汽车驾驶的方法之一是提供给驾驶实例供系统模仿。研究人员提出了一个可以从不完美的例子中学习基本操作并评估其模拟性能的框架。

【Harnessing Reinforcement Learning forNeural Motion Planning】

www.roboticsproceedings.org/rss15/p26.pdf

简介：以色列理工学院的论文主张，强化学习是解决机器人问题的一种有前途的方法，但是在实践中很难做到这一点。本文介绍了机器人操作的强化学习与神经规划的融合的详细内容。

另有4篇RSS的论文，详请访问如下链接。

https://docs.google.com/spreadsheets/d/1QmCc8ZWYU6mbpmpQ7DU0KC84vcoiW6KPvPCLzY3Fcrk/edit?usp=sharing

Ref：

https://medium.com/lyftlevel5/self-driving-research-in-review-bmvc-2019-and-rss-2019-fefe85dbc562

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com