GenAD: 用生成式端到端模型实现自动驾驶
GenAD: Generalized Predictive Model for Autonomous Driving
2024-06-17|CVPR 2024
端到端预测规划
将自动驾驶建模为生成式序列预测问题，通过结构化latent空间实现场景预测与规划的统一生成，是端到端方法的新范式。
GitHubarXiv有代码
GenAD: Generalized Predictive Model for Autonomous Driving
将自动驾驶建模为生成式序列预测问题，通过结构化latent空间实现场景预测与规划的统一生成，是端到端方法的新范式。
DriveVLM: The Convergence of Autonomous Driving and Large Vision-Language Models
提出DriveVLM框架，将视觉语言大模型融入自动驾驶全链路，通过场景理解、场景分析和分层规划三阶段实现复杂场景推理决策。
VAD: Vectorized Scene Representation for Efficient Autonomous Driving
提出全向量化驾驶场景表示，将agent运动和地图元素建模为显式向量实例，避免密集栅格化，实现高效端到端规划。
Planning-oriented Autonomous Driving
提出统一自动驾驶框架UniAD，通过query-based设计将感知、预测、规划联合优化在单一网络中，在nuScenes上实现SOTA端到端驾驶性能。
AutoDrive AI 知识库是一个面向自动驾驶 AI 工程师与研究者的垂直论文索引平台。我们持续追踪端到端自动驾驶、视觉语言模型（VLM）、视觉语言动作模型（VLA）、世界模型、自动标注、3D 感知、BEV 感知、运动规划等核心方向的前沿研究，并提供中文解读与工程评注。
每篇论文均附带多维度标签分类（研究方向、技术范式、数据模态、应用场景、关联公司、论文类型），帮助你快速定位与筛选目标文献。无论你在调研最新的端到端架构、寻找可复现的开源实现，还是关注 Waymo、Tesla、华为等企业的技术动态，这里都是你的起点。
订阅周报，获取每周精选论文解读