自动驾驶感知领域，传统CV方法还有哪些不可替代的任务？

自动驾驶领域的许多工作已经逐渐被替代。近期，不少朋友向我们咨询有关入门的问题，为此，自动驾驶之心团队整理了一系列与自动驾驶全行业技术栈相关的综述和论文，欢迎大家共同探讨学习。今年的技术更新速度非常快，在线高精地图、大模型、端到端自动驾驶、世界模型、Occupancy（占用网络）、NeRF（神经辐射场）等新兴技术正逐步走向量产。今天，自动驾驶之心为大家总结了近百篇综述文章和经典论文，涵盖感知、定位、Occupancy融合、大模型、端到端自动驾驶、规划控制、BEV感知、数据处理等多个方面，帮助大家全面了解自动驾驶的发展路线。以下是具体的内容概览： 数据融合与感知- 针对激光雷达（LiDAR）、毫米波雷达（Radar）和视觉等多源数据方案进行了融合感知的研究。- 梳理了基于单目图像、双目图像、点云数据以及多模态数据的3D目标检测方法。 目标检测- 涉及通用目标检测任务、数据不均衡问题、伪装目标检测、自动驾驶领域中的检测任务，以及anchor-based、anchor-free、one-stage、two-stage等不同方案。- 包括目标检测中的数据增强、小目标检测、小样本学习、自动增强（autoargument）等相关工作。 联合任务训练- 对检测、分割、关键点检测、车道线检测等联合任务的训练方法进行了汇总。 目标跟踪- 总结了单目标和多目标跟踪方法，包括传统滤波算法和端到端跟踪方案。 深度估计- 针对单目和双目深度估计方法进行了汇总，并讨论了户外场景中常见的精度损失问题。 关键点检测- 汇总了人体关键点检测方法，这些方法对车辆关键点检测也有一定的参考价值。 Transformer相关- 总结了视觉Transformer和轻量级Transformer的方法。 车道线检测- 对2D/3D车道线检测方法进行了汇总，涉及分类、检测、分割、曲线拟合等多种技术。 定位与建图- 提供了定位与建图方案的总结。此外，我们的仓库还包含了以下内容：- BEV（鸟瞰图）感知- 多模态融合- Occupancy（占用网络）- 毫米波雷达视觉感知- 3D感知- 目标跟踪- 多模态技术- 多传感器融合- Transformer- 在线高精地图- 高精地图- SLAM（同时定位与建图）- 多传感器标定- NeRF（神经辐射场）- 视觉语言模型- 世界模型- 规划与控制- 轨迹预测欢迎star和follow我们的仓库，链接如下：autodriving-heart/Awesome-Autonomous-Driving。希望通过这些资源，能够帮助大家更好地理解自动驾驶领域的技术发展，期待与大家一起交流学习！