在本专题课程的课程展望和总结中，主要从算法框架、数据、仿真和其他四个方面做未来展望，以及对本课程做一个总结。
-
算法框架
- 数据驱动的端到端 UniAD
- https://mp.weixin.qq.com/s/qcNtRsBD5aadkavU9TfpFA
- https://github.com/OpenDriveLab/End-to-end-Autonomous-Driving - End-to-end Interpretable Neural Motion Planner paper - End-to-End Learning of Driving Models with Surround-View Cameras and Route Planners paper
- https://github.com/E2E-AD/AD-MLP
- ST-P3 paper | code
- MP3 paper | video
- TCP [NeurIPS 2022] Trajectory-guided Control Prediction for End-to-end Autonomous Driving: A Simple yet Strong Baseline. paper | video ｜code
- 鉴智机器人 GraphAD
- 大模型 LMDrive 关于大模型和自动驾驶的几个迷思
- 世界模型：Drive-WM、DriveDreamer
- 矢量地图在线建图：MapTRv2、ScalableMap、VectorMapNet、HDMapNet、GeMap、MapEX
- BEV-OCC-Transformer: OccFormer、OccWorld、Occupancy Flow
- 数据驱动的端到端 UniAD
-
数据
- 4D数据自动标注:
- OCC与Nerf联合标注
- 面向BEV感知的4D标注方案
- 数据合成：DrivingDiffusion、MagicDrive、UrbanSyn
- CLIP2Scene https://github.com/runnanchen/CLIP2Scene
- 4D数据自动标注:
-
仿真
- UniSim
- DRIVE Sim
-
其他
- 舱驾一体
- AI 编译器: MLIR、TVM、XLA、Triton
- 模型剪枝、模型蒸馏、模型压缩、模型量化（PTQ、QAT）