#autonomous-driving Repositories
Insgesamt 141 Repositories
[Informationsfusion 2025] Eine Übersicht zur Belegungswahrnehmung für autonomes Fahren: Die Perspektive der Informationsfusion
[CoRL 2022] InterFuser: Verbesserte autonome Fahrweise durch interpretierbare Sensorfusions-Transformer
Dieses Repository ist eine Zusammenfassung von aktuellen Fortschritten in der kollaborativen / kooperativen / Multi-Agenten-Wahrnehmung für V2I / V2V / V2X autonome Fahrszenarien.
Ein Projekt in den Bereichen Computer Vision, maschinelles Lernen und Deep Learning, das Kursnotizen sowie selbst entwickelte Programme enthält.
Vision–Language–Action-Modelle für autonomes Fahren (VLA4AD) Ressourcen, die als begleitendes Repository zu dem Übersichtsartikel „A Survey on Vision–Language–Action Models for Autonomous Driving“ dienen.
[ICLR 2026] ReCogDrive: Ein verstärktes kognitives Framework für End-to-End-autonomes Fahren
[CVPR 2025, TPAMI 2026] UniScene: Einheitliche belegungszentrierte Fahrtszenengenerierung
PyTorch-Implementierung von EmerNeRF: Emergenz von räumlich-zeitlichen Szenenzerlegung durch Selbstüberwachung
4D-Radar-Objekterkennung für autonomes Fahren bei verschiedenen Wetterbedingungen
Der ApolloScape Open Dataset für autonomes Fahren und seine Anwendung.
PyTorch-Code für die Arbeit "FIERY: Future Instance Segmentation in Bird's-Eye view from Surround Monocular Cameras"
Intensitäts-Scan-Kontext-basierte vollständige SLAM-Implementierung für autonomes Fahren. ICRA 2020
SOTA schnelle und robuste Bodensegmentierung unter Verwendung von 3D-Punktwolken (akzeptiert in RA-L'21 mit IROS'21)
Ein Autodidakt im autonomen Fahren -> Aufzeichnung meines Lernprozesses und relevanter Lernlinks für autonomes Fahren
[ICCV'23] Verborgene Verzerrungen von End-to-End-Fahrmodellen & ein Starter-Kit für die CARLA-Leaderboard 2.0.
Deep Reinforcement Learning (PPO) im autonomen Fahren (Carla) [von Grund auf]
PyTorch-Implementierung für die Veröffentlichung „Driving with LLMs: Fusing Object-Level Vector Modality for Explainable Autonomous Driving“
Cosmos-Drive-Dreams: Skalierbare Generierung synthetischer Fahrdaten mit World Foundation Models
[IJCV 2026] Senna: Überbrückung von großen Vision-Sprachmodellen und End-to-End-autonomem Fahren
Pytorch-Implementierung unserer Arbeit "CLRNet: Cross Layer Refinement Network for Lane Detection" (CVPR2022 Akzeptanz).
LimSim & LimSim++: Integrierte Verkehrs- und autonome Fahrsimulatoren mit (M)LLM-Unterstützung
Offizielle Implementierung von Self-Supervised Street Gaussians für autonomes Fahren
PLUTO: Verschiebung der Grenzen der Imitationslern-basierten Planung für autonomes Fahren
Eine kuratierte Liste von Weltmodellen für autonomes Fahren.
🌐 Vision-Language-Action-Modelle für autonomes Fahren: Vergangenheit, Gegenwart und Zukunft
[ECCV 2024] DriveDreamer: Auf dem Weg zu realitätsgetriebenen Weltmodellen für das autonome Fahren
Erstellen Sie eine Verkehrsdarstellung im Stil eines digitalen Zwillings, ausschließlich anhand von CCTV-Aufnahmen im MP4-Format und deren Standort in Google Maps.
Eine kuratierte Liste fantastischer Ressourcen zum autonomen Fahren von End-to-End (kontinuierlich aktualisiert)
[ECCV 2022 Oral] Perspektiven-Transformer für 3D-Spuren-Erkennung