作者：YAN左使本文基于openGauss在VLDB2021上最新发表的论文《openGauss:AnAutonomousDatabaseSystem》，从学术的角度来探究openGauss如何基于各种AI技术构建一个智能的自治数据库系统。论文作者是清华大学李国良教授，他同时也是openGauss的总架构师。本文主要是对论文的阅读笔记和个人见解，如有错误，欢迎各位指正！1.摘要虽然近年来基于学习的数据库优化技术在学术界得到了广泛的研究，但很多技术还没有被广泛部署到商业数据库系统中。这篇论文的作者探讨如何将基于AI的数据库技术整合到openGauss中，从而构建一个自治数据库系统架构。这些基于A
目录简言文献地址：重要网址（该项目持续更新中）摘要1、介绍2、基础概念2.1 3Dobjectdetection 2.2 Datasets2.3 Evaluationmetrics2.3.1 评估指标类-12.3.2 评估指标类-22.3.3 评估指标对比3、基于Lidar的三维目标检测3.1 基于数据表示的3D检测方法3.1.1 基于点的3D物体检测3.1.2 基于网格的3D物体检测持续更新中。。。。。。。。。。。。。。。。。。。。。。简言 最近在整理一些3D检测的算法，之前在服务器上跑了PointPillars和CenterPoint，研究了下OpenPCDet和mmdetecti
首先已经有fast-planner的基础以及相关代码了解了，现在来关注ego-swarm本文提出了一种分散的、异步系统的多机器人在未知的障碍物丰富场景中的自动导航解决方案。该规划系统是在基于梯度的局部规划框架下制定的，其中通过将碰撞风险表述为一个非线性优化问题的惩罚来实现碰撞避免。为了提高鲁棒性和避免局部极小值，我们采用了一种轻量级的拓扑轨迹生成方法。然后，代理使用不可靠的轨迹共享网络在几毫秒内生成安全、平滑和动态可行的轨迹。通过使用深度图像中的代理检测，校正了代理间的相对定位漂移。我们的方法在仿真和真实实验中都得到了验证。发布了源代码以供参考。ego—swarm十一架飞机仿真飞行整个航迹规划
【论文笔记】ForgingVisionFoundationModelsforAutonomousDriving:Challenges,Methodologies,andOpportunities原文链接：https://arxiv.org/pdf/2401.08045.pdf1.引言传统的自动驾驶（AD）感知系统使用模块化结构和精心设计的算法处理专门的任务，但这些被划分的组件优先考虑单个任务的性能，而牺牲了更广泛的上下文理解和数据关系。大型基石模型通常在大量而丰富的数据集上训练，也会使用自监督技术。一旦训练完成，可以通过微调来处理各类特定任务。目前的大参数模型可以进行少样本学习，从而可以处理分
目录概述细节背景常用数据集及其评价指标基于RGB图像的算法基于点云的算法基于RGB图像与点云模态融合的算法概述这是一篇21年的综述，介绍了3D目标检测背景、传感器以及基于传感器的算法分类及其特点。细节背景3D目标检测的地位：是无人驾驶中感知模块的核心基础3D目标检测的主要问题：目标检测的核心是定位+分类，分类的问题其实不大，限制算法性能的最主要因素还是定位误差。3D目标检测中的传感器：3D目标检测中使用的传感器主要可以分为两类，一类是无源传感器（passivesensors）另一类是有源传感器（activesensors）。这两类中用的最多的就是单目相机和激光雷达了。单目相机：优点：便宜且适用
AGI之Agent：《GitAgent:FacilitatingAutonomousAgentwithGitHubbyToolExtension通过工具扩展实现与GitHub的自主代理》翻译与解读目录《GitAgent:FacilitatingAutonomousAgentwithGitHubbyToolExtension通过工具扩展实现与GitHub的自主代理》翻译与解读AbstractFigure1:IllustrationofautonomoustoolextensionfromGitHub图1：来自GitHub的自主工具扩展的示意图1INTRODUCTION引言Figure2:Illu
CiscoAironetiosimageforAP1700/2700/3600/3700c3702ic2702i胖固件CiscoAironetiosimageforc3500Accesspoint17002600270036003700系列终极版本胖固件ap3g2-k9w7-tar.153-3.JPO.tarAutonomousiosimage:ap3g2-k9w7-tar.153-3.JPO.tar型号覆盖：CiscoAirnetAP1700I,2700I/2700E,2600I/2600E,3600I/3600E,3700I/3700E准备工作：1.下载文件 ap3g2-k9w7-tar.
原文链接：https://arxiv.org/abs/2303.100761.引言本文提出基于环视图像进行3D占用估计的简单框架，探索了网络设计、优化和评估。网络设计方面，虽然输出形式与单目深度估计和立体匹配不同，但网络结构与立体匹配网络相似（如下图所示），可以使用立体匹配的经验设计网络。优化方面，可以基于渲染深度图和点级分类标签，使用监督学习或自监督学习。评估方面，受体积渲染启发，引入基于距离的占用评估指标，这比其余指标更加公平；此外该指标只需要点云作为真值。3.方法3.1准备知识本节介绍了NeRF的体积渲染公式，见神经辐射场的简单介绍。3.2模型设计如上图所示为本文的端到端占用预测网络Q:
原文链接：https://arxiv.org/abs/2311.152601.引言神经辐射场（NeRF）应用在自动驾驶中，可以创建可编辑的场景数字克隆（可自由编辑视角和场景物体），以进行仿真。但目前的方法或者需要大量的训练时间，或者对传感器的建模过于简单（导致仿真和真实数据的间隙），或者性能较低。本文提出NeuRAD，一种可编辑的新视图合成模型。该方法可以处理大型自动驾驶场景，建模了重要的传感器特性（如相机的卷帘式快门、激光雷达的光束发散）。此外，本文的模型简单，其中静态和动态元素通过位置嵌入分辨。NeuRAD有泛化性和SotA性能。3.方法本文的NeuRAD在各数据集上均有低重建误差和推断时
Cam4DOcc:BenchmarkforCamera-Only4DOccupancyForecastinginAutonomousDrivingApplications原文链接：https://arxiv.org/abs/2311.17663I.引言现有的基于相机的占用估计方法仅估计当前和过去的占用状态，但自动驾驶汽车需要未来的环境条件。本文提出首个相机4D占用预测基准Cam4DOcc，包含数据集的新格式、各种基准方案，以及标准化的评估协议。数据集包含序列的语义和实例标签以及占用网格的反向向心流；基准方案包括静态世界占用模型、点云体素预测、2D-3D基于实例的预测，已经端到端4D占用预测网络
