其他
自动驾驶知识资料全集（白皮书/报告/论文/综述/代码/数据/TUM课程讲解PPT及视频，附查看链接）
本文来源：专知
自动驾驶-目录
白皮书 中国信通院 IMT-2020(5G)推进组 移动 联通 百度 华为 未来网络发展大会 中国智能网联汽车产业创新联盟 中国软件评测中心 报告 综述 中文 英文 关键技术（原文、代码、视频、数据集链接） 感知 预测 规则（人类先验知识） 规划 端到端 安全 伦理 数据集 教程 慕尼黑工业大学TUM 人工智能技术Artificial Intelligence in Automotive Technology 01.引言 02. 感知 03.有监督学习-线性回归 04. 有监督学习-分类 05. 无监督学习-聚类 06. 寻径 07. 神经网络导论 08. 深度神经网络 09. 卷积神经网络 10. 递归神经网络 11. 强化学习 12. AI开发 13. Rasmus Rothe教授讲座 自动驾驶软件工程Autonomous Driving Software Engineering 01. 介绍 02. 感知一 03. 感知二 04. 感知三 05. 预测 06. 全局规划 07. 局部规划 08. 控制 09. 安全评估 10. 遥控驾驶 11. 端到端 12. 人为因素 百度Apollo 模块学习 课程学习 入门课程 进阶课程 开发平台文档 麻省理工MIT
自动驾驶-内容
中国信通院
2021.12，《车联网白皮书》，44页，中国信息通信研究院，http://www.caict.ac.cn/kxyj/qwfb/bps/202112/P020211224634954242855.pdf 2020.12，《车联网白皮书（网联自动驾驶分册）》，44页，中国信息通信研究院，http://pg.jrj.com.cn/acc/Res/CN_RES/INDUS/2020/12/17/1019396a-208c-434e-b8b2-1a97e1648526.pdf 2019.12，《车联网白皮书（C-V2X白皮书）》，47页，中国信息通信研究院、国泰君安证券股份有限公司，http://www.caict.ac.cn/kxyj/qwfb/bps/201912/P020191226516585677051.pdf 2019.12，《车联网白皮书（2018年）》，35页，中国信息通信研究院、http://www.caict.ac.cn/kxyj/qwfb/bps/201812/P020181218510826089278.pdf 2017.9，《车联网白皮书（2017年）》，37页，中国信息通信研究院、华为技术有限公司、电信科学技术研究院，http://www.caict.ac.cn/kxyj/qwfb/bps/201804/P020170928592209280350.pdf 2017.9，《车联网网络安全白皮书（2017年）》，41页，中国信息通信研究院，http://www.caict.ac.cn/kxyj/qwfb/bps/201804/P020170921430215345026.pdf
IMT-2020(5G)推进组
2019.10，《C-V2X业务需求演进白皮书》，25页，IMT-2020(5G)推进组，http://www.caict.ac.cn/kxyj/qwfb/bps/201911/P020191104336556097939.pdf 2019.10，《车辆高精度定位白皮书》，23页，IMT-2020 (5G)推进组，http://www.caict.ac.cn/kxyj/qwfb/bps/201911/P020200911551988189402.pdf 2019.7，《LTE-V2X安全技术》，25页，IMT-2020 (5G)推进组，http://zhishi.sae-china.org/read/?id=1922#page=3 2019.1，《MEC与C-V2X融合 应用场景》，19页，IMT-2020 (5G)推进组，http://m.caict.ac.cn/yjcg/201901/P020190123572024553363.pdf 2018.6，《C-V2X》，33页，IMT-2020 (5G)推进组，http://www.caict.ac.cn/kxyj/qwfb/bps/201806/P020180621609834833905.pdf
移动
2021，《中国移动自动驾驶网络白皮书》，中国移动，https://kxlabs.10086.cn/files/1626350861865-520854.pdf
联通
2021，《5G+MEC+V2X 车联网解决方案 白皮书》，32页，中国联合网络通信集团有限公司、联想，http://www.future-forum.org/cn/leon/a/upfiles/file/202104/20210414164624972497.pdf
百度
2021.12，《自动驾驶汽车交通安全白皮书》，74页，中汽中心、同济大学、百度Apollo，https://apollo-open.bj.bcebos.com/20211215/%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E6%B1%BD%E8%BD%A6%E4%BA%A4%E9%80%9A%E5%AE%89%E5%85%A8%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf 2019，《自动驾驶安全第一白皮书》，157页，百度、安波福、宝马、奥迪等，https://www.bjhzhz.com/ueditor/php/upload/file/20210611/1623382005549714.pdf
华为
2021.7，《华为数据中心自动驾驶网络白皮书》，27页，华为，https://www.chenxiaofang.site/wp-content/uploads/2021/07/%E5%8D%8E%E4%B8%BA%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E7%BD%91%E7%BB%9C%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf 2021.6，《数据中心基础设施智能化分级（自动驾驶）》，32页，华为，https://www.eet-china.com/d/file/news/2021-06-09/2b6c4c1c8f18254c9e5fdd398e5b905a.pdf 2020，《自动驾驶网络解决方案白皮书》，80页，华为，https://carrier.huawei.com/~/media/CNBGV2/download/adn/Autonomous-Driving-Network-whitepaper-cn1.pdf
未来网络发展大会
2021.12，《未来网络白皮书——数据中心自动驾驶网络技术白皮书，2021版》，52页，第五届未来网络发展大会组委会，https://img1.sdnlab.com/wp-content/uploads/2021/06/21/whitepaper-%E6%9C%AA%E6%9D%A5%E7%BD%91%E7%BB%9C%E7%99%BD%E7%9A%AE%E4%B9%A6%E2%80%94%E2%80%94%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%87%AA%E5%8A%A8%E9%A9%BE%E9%A9%B6%E7%BD%91%E7%BB%9C%E6%8A%80%E6%9C%AF%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf
中国智能网联汽车产业创新联盟
2021.5，《智能网联汽车高精度卫星定位白皮书》，152页，中国智能网联汽车产业创新联盟，http://www.china-icv.cn/upload/2021/07/12/16260536514901daijd.pdf 2021.5，《智能网联汽车高精地图白皮书》，147页，中国智能网联汽车产业创新联盟，http://www.china-icv.cn/upload/2021/07/12/16260536764054a4d6l.pdf
中国软件评测中心
2020.12，《车载智能计算平台功能安全白皮书》，152页，中国软件评测中心，https://www.cstc.org.cn/chezaizhinengjisuanpingtaigongnenganquanbaipishu.pdf
报告
2022.1.17，维多利亚运输政策研究所，Autonomous Vehicle Implementation Predictions：Implications for Transport Planning，48页。许多决策者和从业者都想知道，自动驾驶汽车(AVs)将如何影响未来的出行，进而影响对道路、停车设施和公共交通服务的需求，以及哪些公共政策可以将这些新技术的问题最小化，并使其效益最大化。本报告探讨了这些问题。https://www.vtpi.org/avip.pdf 2021，2021年全球自动驾驶汽车指南Global Guide to Autonomous Vehicles，http://www.thedriverlesscommute.com/wp-content/uploads/2021/02/Global-Guide-to-Autonomous-Vehicles-2021.pdf 2021.7，《车载计算平台标准化需求研究报告》，全国汽车标准化技术委员会、智能网联汽车分技术委员会，http://www.catarc.org.cn/upload/202109/22/202109221132155975.pdf 2021.3，《自动驾驶产业链全梳理》，西南证券研究发展中心，https://pdf.dfcfw.com/pdf/H3_AP202103111470672485_1.pdf?1615459588000.pdf 2021.1，《自动驾驶驶向何方？》：自动驾驶市场、技术路径、产业发展、投资建议，国金证券，http://qccdata.qichacha.com/ReportData/PDF/df94319e701b86a7594a93bfe1d498ce.pdf 2020.11.11，《ETC驶向V2X，智慧交通龙头“驾轻就熟”》，32页，开源证券，https://pdf.dfcfw.com/pdf/H3_AP202011151429330007_1.pdf?1605434112000.pdf 2020.5.24，《标准临近叠加新基建助力，C-V2X 产业元年开启 ——C-V2X 行业深度报告》，30页，光大证券，https://pdf.dfcfw.com/pdf/H3_AP202005241380177659_1.pdf?1590355566000.pdf
自动驾驶-综述
中文
2021.3，广西大学“面向自动驾驶的边缘计算技术研究综述”，19页，通信学报。介绍了基于边缘计算的自动驾驶汽车协同感知和任务卸载技术及相关挑战性问题，然后对协同感知和任务卸载技术的研究现状进行了分析总结。
论文原链接http://www.infocomm-journal.com/txxb/CN/article/downloadArticleFile.do?attachType=PDF&id=1712912021.1，天津大学“自动驾驶智能系统测试研究综述”，22页，软件学报。本文调研了56 篇相关领域的学术论文，分别就感知模块、决策模块、综合功能模块及整车系统的测试技术、用例生成方法和测试覆盖度量等维度对目前已有的研究成果进行了梳理，并描述了自动驾驶智能系统测试中的数据集及工具集。
论文原链接http://www.jos.org.cn/jos/article/pdf/6266?file_name=94B86F4BF0497EAE17A5F0D9F6591B963D17D220AD266E9D8F92E4FB76E0CA8E75A6D437C61027970688673CAEBCF9FB&open_type=self
英文
2022.1.19，科罗拉多州立大学，Object Detection in Autonomous Vehicles: Status and Open Challenges。
论文原链接https://arxiv.org/ftp/arxiv/papers/2201/2201.07706.pdf2022.1，法国雷恩第一大学，Adversarial Example Detection for DNN Models: A Review and Experimental Comparison。
论文原链接https://arxiv.org/pdf/2105.00203v2.pdf
代码https://github.com/aldahdooh/detectors_review2021.12，加拿大Alberta大学、华为发表自动驾驶可解释AI的综述论文，“Explainable Artificial Intelligence for Autonomous Driving: A Comprehensive Overview and Field Guide for Future Research Directions”，arXiv。该研究为开发自动驾驶车辆的可解释人工智能（XAI）方法提供了全面的信息。首先，概述了目前最先进的自动驾驶汽车行业在可解释方面存在的差距。然后，展示该领域中可解释和可解释受众的分类。第三，提出了一个端到端自动驾驶系统体系结构的框架，并论证了XAI在调试和调控此类系统中的作用。
论文原链接https://arxiv.org/pdf/2112.11561.pdf2021.2，法国Navya无人驾驶公司，Deep reinforcement learning for autonomous driving: A survey， IEEE Transactions on Intelligent Transportation Systems。
论文原链接https://arxiv.org/pdf/2002.00444.pdf2020.7，深度学习自动驾驶技术综述论文，“Autonomous Driving with Deep Learning: A Survey of State-of-Art Technologies”，28页，arXiv。研究了自动驾驶系统的主要领域，如感知、地图和定位、预测、规划和控制、仿真、V2X和安全等。重点分析几个关键领域，即感知中的二维/三维物体检测、摄像机深度估计、数据、特征和任务级的多传感器融合、车辆行驶和行人轨迹的行为建模和预测。
论文原链接https://arxiv.org/ftp/arxiv/papers/2006/2006.06091.pdf2020.3，日本名古屋大学自动驾驶领域顶级专家（Senior Member, IEEE），“A Survey of Autonomous Driving: Common Practices and Emerging Technologies”，28页，IEEE Access。本文讨论了无人驾驶技术中尚未解决的问题，并对无人驾驶技术进行了综述。对目前的挑战、高级系统架构、新兴方法和核心功能(包括定位、映射、感知、规划和人机界面)的研究进行了全面回顾。此外，在自己的平台上实现了许多最先进的算法，并在真实世界的驾驶环境中进行了比较。最后概述了ADS开发中可用的数据集和工具。
论文原链接https://arxiv.org/pdf/1906.05113.pdf
关键技术（原文、代码、视频、数据集链接）
感知
2021.11，中山大学，“基于多对多生成对抗网络的非对称跨域迁移行人再识别”，自动化学报。
论文原链接http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c1903032021.10，广西大学，“无人驾驶汽车协同感知信息传输负载优化技术”，计算机学报。本文提出了一种视频感知数据的传输负载优化方法，主要思想是通过路边基础设施把视频帧中的静态背景与动态前景进行分离，仅在初始时传输一次静态背景，其余每次仅传输动态前景信息，这样可以使得传输负载大幅降低。
论文原链接http://cjc.ict.ac.cn/online/onlinepaper/lp-x-20211014145533.pdf2021.5，中南大学，“基于可见光与红外热图像的行车环境复杂场景分割”，自动化学报。
论文原链接http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c2100292022.1.18，采埃孚印度技术中心，Contextual road lane and symbol generation for autonomous driving。
论文原链接https://arxiv.org/pdf/2201.07120.pdf2022.1.18，法国南特大学，Attention-based Proposals Refinement for 3D Object Detection。
论文原链接https://arxiv.org/pdf/2201.07070.pdf2022.1.17，加州大学欧文分校， HydraFusion: Context-Aware Selective Sensor Fusion for Robust and Efficient Autonomous Vehicle Perception，13th ACM/IEEE International Conference on Cyber-Physical Systems (ICCPS 2022)。
论文原链接https://arxiv.org/pdf/2201.06644.pdf
代码https://github.com/aicps/hydrafusion2021.10，麻省理工学院，Kimera: from SLAM to Spatial Perception with 3D Dynamic Scene Graphs，arxiv。
论文原链接https://arxiv.org/pdf/2101.06894.pdf ，
代码https://github.com/MIT-SPARK/Kimera ，
视频Video 1: https://youtu.be/-5XxXRABXJs，Video 2: https://youtu.be/SWbofjhyPzI。2020.7，麻省理工学院，Kimera: an Open-Source Library for Real-Time Metric-Semantic Localization and Mapping，ICRA 2020。
论文原链接https://arxiv.org/pdf/1910.02490.pdf ，
代码https://github.com/MIT-SPARK/Kimera，https://paperswithcode.com/paper/kimera-an-open-source-library-for-real-time，
视频https://www.youtube.com/watch?v=-5XxXRABXJs2020.6，麻省理工学院，3D Dynamic Scene Graphs: Actionable Spatial Perception with Places, Objects, and Humans，Robotics: Science and Systems (RSS)。
论文原链接https://arxiv.org/pdf/2002.06289.pdf ，
代码https://paperswithcode.com/paper/3d-dynamic-scene-graphs-actionable-spatial，
视频https://www.youtube.com/watch?v=SWbofjhyPzI2019.7，麻省理工学院，Incremental Visual-Inertial 3D Mesh Generation with Structural Regularities，ICRA 2019。
论文原链接https://arxiv.org/pdf/1903.01067.pdf ，
代码https://github.com/MIT-SPARK/Kimera，https://paperswithcode.com/paper/incremental-visual-inertial-3d-mesh
（论文7-10为同一作者成果）2021.10，英国埃塞克斯大学、荷兰代尔夫特理工大学、昆士兰科技大学，VPR-Bench: An Open-Source Visual Place Recognition Evaluation Framework with Quantifiable Viewpoint and Appearance Change。
论文原链接https://arxiv.org/pdf/2005.08135v2.pdf
代码：https://github.com/MubarizZaffar/VPR-Bench2021.10，韩国延世大学，Robust Lane Detection via Expanded Self Attention，IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2022。
论文原链接https://arxiv.org/pdf/2102.07037v3.pdf，
代码https://github.com/Hydragon516/ESA-official2021.10，瑞典RISE研究院、瑞典隆德大学，Efficient and Effective Generation of Test Cases for Pedestrian Detection -- Search-based Software Testing of Baidu Apollo in SVL，AITest 2021。
论文原链接https://arxiv.org/pdf/2109.07960v2.pdf，
代码https://github.com/ebadi/scenariogenerator2021.9，哈尔滨工业大学（Senior Member, IEEE），Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes。
论文原链接https://arxiv.org/pdf/2101.06085v2.pdf ，
代码https://github.com/ydhongHIT/DDRNet2021.8，爱丁堡大学，GRIT: Fast, Interpretable, and Verifiable Goal Recognition with Learned Decision Trees for Autonomous Driving，2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)。
论文原链接https://arxiv.org/pdf/2103.06113v3.pdf
代码https://github.com/uoe-agents/GRIT2021.4，西班牙塞维利亚大学，Enhancing Object Detection for Autonomous Driving by Optimizing Anchor Generation and Addressing Class Imbalance，Neurocomputing (2021)。
论文原链接https://arxiv.org/pdf/2104.03888v1.pdf
代码https://github.com/carranza96/waymo-detection-optimization2021.4，俄罗斯Evocargo LLC，Raindrops on Windshield: Dataset and Lightweight Gradient-Based Detection Algorithm。
论文原链接https://arxiv.org/pdf/2104.05078v1.pdf
代码https://github.com/EvoCargo/RaindropsOnWindshield2021.3，多伦多大学机器人研究所，Categorical Depth Distribution Network for Monocular 3D Object Detection。
论文原链接https://arxiv.org/pdf/2103.01100v2.pdf ，
代码https://github.com/TRAILab/CaDDN2021.3，香港科技大学，Video Deblurring by Fitting to Test Data。
论文原链接https://arxiv.org/pdf/2012.05228v2.pdf ，
代码https://github.com/xrenaa/Deblur-by-Fitting2021.2，美国密歇根大学，LiDARTag: A Real-Time Fiducial Tag System for Point Clouds。
论文原链接https://arxiv.org/pdf/1908.10349.pdf，
代码https://github.com/UMich-BipedLab/LiDARTag。2021.2，深圳市人工智能与机器人研究院、香港中文大学，Semantic Histogram Based Graph Matching for Real-Time Multi-Robot Global Localization in Large Scale Environment，IEEE ROBOTICS AND AUTOMATION LETTERS. PREPRINT VERSION。
论文原链接https://arxiv.org/pdf/2010.09297v2.pdf ，
代码https://repository.tudelft.nl/islandora/object/uuid:af94d535-1853-4a6c-8b3f-77c98a52346a?collection=research，
数据集http://www.cvlibs.net/datasets/kitti/，https://synthia-dataset.net/，https://github.com/Microsoft/AirSim2020.10，法国格勒诺布尔大学，GndNet: Fast Ground Plane Estimation and Point Cloud Segmentation for Autonomous Vehicles，IEEE/RSJ International Conference on Intelligent Robots and Systems。
论文原链接https://hal.inria.fr/hal-02927350/document
代码https://github.com/anshulpaigwar/GndNet2020.8，清华大学，DXSLAM: A Robust and Efficient Visual SLAM System with Deep Features。
论文原链接https://arxiv.org/pdf/2008.05416v1.pdf ，
代码https://github.com/ivipsourcecode/dxslam2020.7，香港科技大学，GSNet: Joint Vehicle Pose and Shape Reconstruction with Geometrical and Scene-aware Supervision，ECCV 2020。
论文原链接https://arxiv.org/pdf/2007.13124v1.pdf ，
代码https://github.com/lkeab/gsnet2020.6，奔驰、乌尔姆大学、普林斯顿大学等，Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather，CVPR2020。
论文原链接https://arxiv.org/pdf/1902.08913.pdf ，
代码https://github.com/princeton-computational-imaging/SeeingThroughFog2020.5，慕尼黑工业大学，Persistent Map Saving for Visual Localization for Autonomous Vehicles: An ORB-SLAM Extension，EVER2020。
论文原链接https://arxiv.org/pdf/2005.07429v1.pdf，
代码https://github.com/TUMFTM/orbslam-map-saving-extension2020.4，武汉大学，Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks，IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY。
论文原链接https://arxiv.org/pdf/1903.02193v2.pdf，
代码https://github.com/qinnzou/Robust-Lane-Detection2020.3，剑桥大学，PaRoT: A Practical Framework for Robust Deep Neural Network Training，22页，12th NASA Formal Methods Symposium。
论文原链接https://arxiv.org/pdf/2001.02152v3.pdf
代码https://github.com/fiveai/parot2020.2，斯坦福大学，Slice-based Learning: A Programming Model for Residual Learning in Critical Data Slices，NeurIPS 2019。
论文原链接https://arxiv.org/pdf/1909.06349v2.pdf ，
代码https://github.com/snorkel-team/snorkel-tutorials2020.2，德国戴姆勒公司、德国卡尔斯鲁厄理工学院，CNN-based Lidar Point Cloud De-Noising in Adverse Weather。
论文原链接https://arxiv.org/pdf/1912.03874v2.pdf ，
代码https://github.com/rheinzler/PointCloudDeNoising2020.2，卡耐基梅隆大学，Learning to Move with Affordance Maps，ICLR 2020。
论文原链接https://arxiv.org/pdf/2001.02364v2.pdf
代码https://github.com/wqi/A2L2020.1，中科院沈阳自动化研究所研究所、中国科学院机器人与智能制造研究所等RTM3D: Real-time Monocular 3D Detection from Object Keypoints for Autonomous Driving。
论文原链接https://arxiv.org/pdf/2001.03343v1.pdf ，
代码https://github.com/Banconxuan/RTM3D2019.7，意大利博洛尼亚大学、帕尔马大学，Lane Detection and Classification using Cascaded CNNs。
论文原链接https://arxiv.org/pdf/1907.01294v2.pdf
代码https://github.com/fabvio/Cascade-LD，https://github.com/fabvio/TuSimple-lane-classes2019.10，加拿大约克大学，PIE: A Large-Scale Dataset and Models for Pedestrian Intention Estimation and Trajectory Prediction，ICCV 2019。
论文原链接https://openaccess.thecvf.com/content_ICCV_2019/papers/Rasouli_PIE_A_Large-Scale_Dataset_and_Models_for_Pedestrian_Intention_Estimation_ICCV_2019_paper.pdf，
代码https://github.com/aras62/PIEPredict2019.8，旷世研究院、清华大学等，Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection。
论文原链接https://arxiv.org/pdf/1908.09492v1.pdf ，
代码https://github.com/poodarchu/Class-balanced-Grouping-and-Sampling-for-Point-Cloud-3D-Object-Detection2019.7，巴西圣埃斯皮里图联邦大学（Senior Member, IEEE），Cross-Domain Car Detection Using Unsupervised Image-to-Image Translation: From Day to Night。
论文原链接https://arxiv.org/pdf/1907.08719v1.pdf
代码https://github.com/LCAD-UFES/publications-arruda-ijcnn-20192019.5，乔治亚理工学院、英特尔，ShapeShifter: Robust Physical Adversarial Attack on Faster R-CNN Object Detector。
论文原链接https://arxiv.org/pdf/1804.05810v3.pdf，
代码https://github.com/shangtse/robust-physical-attack2017.5，高精地图，Highiy Efficient HD Map Creation: Acceierating Mapping Process with GPUs，40页PPT。
原链接https://on-demand.gputechconf.com/gtc/2017/presentation/s7656-shigeyuki-iwata-accelerating-hd-mapping.pdf
▎最新热文
自动驾驶仿真测试工具链示例浅析自动驾驶一定离不开的高精地图