自动驾驶汽车，又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是自动化载具的一种，具有传统汽车的运输能力。作为自动化载具，自动驾驶汽车不需要人为操作即能感测其环境及导航。完全的自动驾驶汽车仍未全面商用化，大多数均为原型机及展示系统，部分可靠技术才下放至商用车型，但有关于自驾车逐渐成为现实，已经引起了很多有关于道德的讨论。

更新时间2022.2.21

涵盖自动驾驶：白皮书、国内外技术报告、最新综述论文、关键技术最新论文（含实现代码）、数据集、TUM课程讲解PPT及视频等。

行业标准

2021.7，《自动驾驶数据记录系统标准制定思路及进展》，中汽中心汽车标准化研究所，http://www.catarc.org.cn/upload/202107/16/202107161009405028.pdf
《智能网联汽车术语和定义》，国家标准，https://www.autothinker.net/editor/attached/file/20210908/20210908145058_67256.pdf
《汽车驾驶自动化分级》，国家标准，https://www.chinabuses.com/uploadfile/2020/0310/20200310123023480.pdf
《自动驾驶车辆测试安全员专业技能要求》，中国智能交通产业联盟，http://www.c-its.org.cn/Index/downloadnews/id/779.html
《自动驾驶出租汽车测试运营规范与安全管理要求》，中国智能交通产业联盟，http://www.c-its.org.cn/Uploads/ueditor/file/20210425/60853212789f2.pdf
《自动驾驶公交车第 1 部分：车辆运营技术要求》，中国智能交通产业联盟，http://www.c-its.org.cn/Uploads/ueditor/file/20211028/617a4a3c9ac05.pdf
《车辆自动驾驶系统应用职业技能等级标准》，上海淞泓智能汽车科技有限公司，https://pvc-e7031f9b-6522-11e9-883f-fa163e9e2c22.obs.cn-north-1.myhuaweicloud.com/prod%2Fimage%2F2021-03-31%2F15f6337dc4964c4a9b5e693a2d92b5a4.pdf

白皮书

中国信通院

2022.1，《全球自动驾驶战略与政策观察——自动驾驶开启商业化元年》，36页，中国信息通信研究院和人工智能与经济社会研究中心，http://www.caict.ac.cn/kxyj/qwfb/ztbg/202201/P020220126549881872325.pdf
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
《2021-2022中国自动驾驶产业年度总结报告》，亿欧智库，https://www.dx2025.com/wp-content/uploads/2022/02/eu_billion_think_tank_annual_summary_report_of_chinas_aut.pdf
《国内外自动驾驶产业政策与监管规制对深圳产业发展的影响及借鉴研究报告》，深圳市标准技术研究院，https://www.sist.org.cn/fwzl/Biaozhun/szbzllyj/202009/P020200921514999607576.pdf
《全球自动驾驶战略与政策观察（2020）》，中国信通院，http://www.caict.ac.cn/kxyj/qwfb/ztbg/202012/P020201229617023251890.pdf

11.2020.12，《智能网联汽车预期功能安全前沿技术研究报告》，智能网联汽车汽车预期功能安全研究组，http://www.china-icv.cn/upload/2021/07/12/162605355915926xoid.pdf

《2020年中国无人驾驶行业概览（L4级别及以上）》，头豹研究院，https://pdf.dfcfw.com/pdf/H3_AP202012251443762578_1.pdf
《2021中国矿区自动驾驶研究报告》，亿欧智库，http://pg.jrj.com.cn/acc/Res/CN_RES/INDUS/2021/4/20/2a0c29d4-9034-4e31-8741-7c2fd1c666ba.pdf
《用多模感知技术打造智能网联汽车新体验》，科大讯飞王兴宝，http://www.catarc.org.cn/upload/202107/16/202107161008096235.pdf

书籍

【干货书】人工智能自动驾驶，“AI FOR CARS”，129页pdf，https://www.zhuanzhi.ai/vip/7877bbe3da00899a2ca31df33d207e1b

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=171291
2021.1，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.pdf
2022.1，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_review
2021.12，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.pdf
2021.2，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.pdf
2020.7，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.pdf
2020.3，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.c190303
2021.10，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.pdf
2021.5，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.c210029
2022.1.18，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.pdf
2022.1.18，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.pdf
2022.1.17，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/hydrafusion
2021.10，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=-5XxXRABXJs
2020.6，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=SWbofjhyPzI
2019.7，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-Bench
2021.10，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-official
2021.10，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/scenariogenerator
2021.9，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/DDRNet
2021.8，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/GRIT
2021.4，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-optimization
2021.4，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/RaindropsOnWindshield
2021.3，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/CaDDN
2021.3，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-Fitting
2021.2，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/AirSim
2020.10，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/GndNet
2020.8，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/dxslam
2020.7，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/gsnet
2020.6，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/SeeingThroughFog
2020.5，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-extension
2020.4，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-Detection
2020.3，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/parot
2020.2，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-tutorials
2020.2，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/PointCloudDeNoising
2020.2，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/A2L
2020.1，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/RTM3D
2019.7，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-classes
2019.10，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/PIEPredict
2019.8，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-Detection
2019.7，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-2019
2019.5，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-attack
2017.5，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

预测

2021.11，加州大学欧文分校，Spatio-Temporal Scene-Graph Embedding for Autonomous Vehicle Collision Prediction。
论文原链接https://arxiv.org/pdf/2111.06123v1.pdf
代码https://github.com/aicps/sg-collision-prediction
2021.10，阿德莱德大学，Weakly Supervised Training of Monocular 3D Object Detectors Using Wide Baseline Multi-view Traffic Camera Data。
论文原链接https://arxiv.org/pdf/2110.10966v1.pdf
代码https://github.com/MatthewHowe/WIBAM
2021.7，清华大学、北京国家信息科学技术研究中心，Human Trajectory Prediction via Counterfactual Analysis，ICCV 2021。
论文原链接https://arxiv.org/pdf/2107.14202v1.pdf
代码https://github.com/CHENGY12/CausalHTP
2021.6，意大利佛罗伦萨大学，MANTRA: Memory Augmented Networks for Multiple Trajectory Prediction，CVPR2020。
论文原链接https://arxiv.org/pdf/2006.03340v2.pdf
代码https://github.com/Marchetz/MANTRA-CVPR20
2021.6，纽约州立大学石溪分校，A system of vision sensor based deep neural networks for complex driving scene analysis in support of crash risk assessment and prevention。
论文原链接https://arxiv.org/pdf/2106.10319v1.pdf
代码https://github.com/monjurulkarim/Crash_road_function_dataset
2021.6，北卡罗莱纳大学夏洛特分校，CARPe Posterum: A Convolutional Approach for Real-time Pedestrian Path Prediction，AAAI-21。
论文原链接https://arxiv.org/pdf/2005.12469v3.pdf 代码https://github.com/TeCSAR-UNCC/CARPe_Posterum
2021.4，英国利兹大学，Maneuver-Aware Pooling for Vehicle Trajectory Prediction。
论文原链接https://arxiv.org/pdf/2104.14079v1.pdf
代码https://github.com/m-hasan-n/pooling
2020.9，新加坡南洋理工大学（Senior Member, IEEE），Context Model for Pedestrian Intention Prediction using Factored Latent-Dynamic Conditional Random Fields，IEEE Transactions on Intelligent Transportation Systems。
论文原链接https://arxiv.org/pdf/1907.11881v4.pdf
代码https://github.com/satyajitneogiju/FLDCRF-for-sequence-labeling
2020.8，英属哥伦比亚大学、卡耐基梅隆大学，What-If Motion Prediction for Autonomous Driving。
论文原链接https://arxiv.org/pdf/2008.10587v1.pdf
代码https://github.com/wqi/WIMP
2020.5，美国理海大学，GRIP++: Enhanced Graph-based Interaction-aware Trajectory Prediction for Autonomous Driving。
论文原链接https://arxiv.org/pdf/1907.07792v2.pdf ，
代码https://github.com/xincoder/GRIP
2020.3，美国哥伦比亚大学，An LSTM-Based Autonomous Driving Model Using Waymo Open Dataset，Applied Sciences。
论文原链接https://arxiv.org/pdf/2002.05878v2.pdf
代码https://github.com/JdeRobot/BehaviorSuite ，https://github.com/JdeRobot/BehaviorMetrics
2020.3，加州大学，Explainable Object-induced Action Decision for Autonomous Vehicles。
论文原链接https://arxiv.org/pdf/2003.09405v1.pdf
代码https://github.com/Twizwei/bddoia_project
2019.9，卡内基梅隆大学、加州大学，PRECOG: PREdiction Conditioned On Goals in Visual Multi-Agent Settings，ICCV 2019。
论文原链接https://arxiv.org/pdf/1905.01296v3.pdf ，
代码https://github.com/nrhine1/precog

规则（人类先验知识）

2021.5，印度坎普尔理工学院、多伦多大学、英伟达等，Emergent Road Rules In Multi-Agent Driving Environments，ICLR 2021。
论文原链接https://arxiv.org/pdf/2011.10753v2.pdf ，
代码https://github.com/fidler-lab/social-driving
2021.2，俄亥俄州立大学、google，Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification。
论文原链接https://arxiv.org/pdf/2102.05843v1.pdf
代码https://github.com/sobhan-moosavi/DCRNN

规划

2022.1，西安交通大学人工智能与机器人研究所·薛建儒教授，“高速公路无人驾驶的分层抽样多动态窗口轨迹规划算法”，自动化学报。
论文原链接http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210673
2021.1，美国爱荷华州立大学，Visual Exploration and Energy-aware Path Planning via Reinforcement Learning。
论文原链接https://arxiv.org/pdf/1909.12217v4.pdf
代码https://github.com/AmirNiaraki/Visual-Exploration
2020.11，慕尼黑工业大学，Counterfactual Policy Evaluation for Decision-Making in Autonomous Driving， IROS 2020。
论文原链接https://arxiv.org/pdf/2003.11919v3.pdf ，
代码https://github.com/bark-simulator/bark ，https://github.com/bark-simulator/bark-ml
2020.11，香港理工大学、卡耐基梅隆大学，Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning。
论文原链接https://arxiv.org/pdf/2011.04752v1.pdf
代码https://github.com/kalebbennaveed/Trajectory-Planning-for-Autonomous-Vehicles-Using-HRL
2020.10，加州大学伯克利分校，Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL。
论文原链接 https://arxiv.org/pdf/2011.00120v1.pdf
代码https://github.com/eugenevinitsky/decentralized_bottlenecks
2020.9，牛津大学、加州大学，Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts?
论文原链接https://arxiv.org/pdf/2006.14911v2.pdf ，
代码https://github.com/OATML/oatomobile

端到端

2021.4，普朗克智能系统研究所、德国蒂宾根大学，Multi-Modal Fusion Transformer for End-to-End Autonomous Driving，CVPR2021。
论文原链接https://openaccess.thecvf.com/content/CVPR2021/papers/Prakash_Multi-Modal_Fusion_Transformer_for_End-to-End_Autonomous_Driving_CVPR_2021_paper.pdf
代码https://github.com/autonomousvision/transfuser
2021.11，图卢兹第三大学，StereoSpike: Depth Learning with a Spiking Neural Network。
论文原链接https://arxiv.org/pdf/2109.13751v2.pdf
代码https://github.com/urancon/stereospike
2021.8，加拿大维多利亚大学、波多黎各大学马亚奎兹分校（Senior Member, IEEE），Evaluating Adversarial Attacks on Driving Safety in Vision-Based Autonomous Vehicles。
论文原链接https://arxiv.org/pdf/2108.02940v1.pdf
代码https://github.com/DexterJZ/eval_driving_safety
2021.8，印度SRM科学技术研究所，Robust Behavioral Cloning for Autonomous Vehicles using End-to-End Imitation Learning，SAE International Journal of Connected and Automated Vehicles。
论文原链接https://arxiv.org/ftp/arxiv/papers/2010/2010.04767.pdf
代码https://github.com/Tinker-Twins/Robust_Behavioral_Cloning
2020.8，英伟达、多伦多大学，Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D。
论文原链接https://arxiv.org/pdf/2008.05711v1.pdf ，
代码https://github.com/nv-tlabs/lift-splat-shoot
2020.7，加州大学、清华大学，Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning。
论文原链接https://arxiv.org/pdf/2001.08726v3.pdf，
代码https://github.com/cjy1992/interp-e2e-driving ，
数据集https://carla.org/
2020.3，昆士兰科技大学，MVP: Unified Motion and Visual Self-Supervised Learning for Large-Scale Robotic Navigation。
论文原链接https://arxiv.org/pdf/2003.00667v1.pdf
代码https://github.com/mchancan/citylearn
2019.10，华盛顿大学，Attacking Vision-based Perception in End-to-End Autonomous Driving Models。
论文原链接https://arxiv.org/pdf/1910.01907v1.pdf ，
代码https://github.com/xz-group/AdverseDrive

安全

2021.5，加拿大西安大略大学，MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet of Vehicles，IEEE Internet of Things Journal。
论文原链接 https://arxiv.org/pdf/2105.13289v1.pdf ，
代码https://github.com/Western-OC2-Lab/Intrusion-Detection-System-Using-Machine-Learning

伦理

2021.11，中国人民大学法学院“自动驾驶法律准入问题研究：路线、挑战与方案”，中国人民大学学报。
论文原链接http://xuebao.ruc.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=13154
2021.3，暨南大学，“伦理智能体及其设计：现状和展望”，20页，计算机学报。伦理智能体是人工智能伦理的重要研究内容，本文从人工智能伦理的工程设计与实现角度，对伦理智能体及图灵测试、伦理智能体的设计范式、伦理智能体的逻辑程序设计、伦理智能体的形式化验证、伦理困境及分析等进行了介绍和讨论。同时，对伦理智能体及设计所面临的挑战和进一步研究方向进行了述评和展望。
论文原链接http://cjc.ict.ac.cn/online/onlinepaper/gtl-202128100804.pdf
2021.4，慕尼黑工业大学，Autonomous Driving Ethics: from Trolley Problem to Ethics of Risk，23页，Philosophy & Technology。
论文原链接https://link.springer.com/content/pdf/10.1007/s13347-021-00449-4.pdf
2021.1，代尔夫特理工大学，Ethical issues in focus by the autonomous vehicles industry，Transport Reviews。
论文原链接https://www.tandfonline.com/doi/pdf/10.1080/01441647.2020.1862355?needAccess=true

数据集

SYNTHIA数据集：SYNTHIA由一组从虚拟城市渲染的逼真的照片框架组成，并提供了13个类别的精确像素级语义注释:misc、天空、建筑、道路、人行道、栅栏、植被、柱子、汽车、标志、行人、自行车手、车道标记。https://synthia-dataset.net/
KITTI数据集：在中型城市卡尔斯鲁厄(Karlsruhe)、农村地区和高速公路上行驶时拍摄的。每张图片上可以看到多达15辆汽车和30个行人。除了以原始格式提供所有数据外，还为每个任务提取基准。提供一个评估指标和这个评估网站。http://www.cvlibs.net/datasets/kitti/
AirSim：AirSim是一个模拟无人机、汽车，建立在虚拟引擎(现在有一个实验性的Unity版本)。它是开源的，跨平台的，并支持软件在环仿真与流行的飞行控制器，如PX4和ArduPilot和硬件在环与PX4的物理和视觉逼真的模拟。它是作为一个虚幻插件开发的，可以简单地放入任何虚幻环境。https://github.com/Microsoft/AirSim
CARLA：提供开放的数字资产(城市布局、建筑、车辆)，可以自由使用。仿真平台支持传感器套件的灵活规格、环境条件、所有静态和动态参与者的完全控制、地图生成等。https://carla.org/
Waymo：由Waymo驾驶员在各种条件下驾驶的自动驾驶车辆收集的高分辨率传感器数据组成。Waymo开放数据集目前包含1950个片段。作者计划在未来增加这个数据集。目前的数据集包括:1950个20秒的片段，在不同的地理和条件下以10Hz(39万帧)的频率收集。该数据集来自研究成果CVPR 2020——Scalability in Perception for Autonomous Driving: Waymo Open Dataset（https://arxiv.org/pdf/1912.04838.pdf ）。数据集链接http://www.waymo.com/open
nuScenes：是一个大规模的自动驾驶数据集。该数据集有在波士顿和新加坡收集的1000个场景的3D边界框。每个场景时长20秒，以2Hz的频率进行注解。这样一来，总共有28130个样本用于培训，6019个样本用于验证，6008个样本用于测试。该数据集拥有全自动驾驶汽车数据套件:32波束激光雷达，6个摄像头和雷达，完全360°覆盖。3D物体检测挑战将评估10类车辆的性能：汽车、卡车、公共汽车、拖车、施工车辆、行人、摩托车、自行车、交通锥和障碍物。https://www.nuscenes.org/
SuperGLUE：是一个基准数据集，其设计目的是对语言理解进行比GLUE更严格的测试。SuperGLUE与GLUE有着相同的高级动机：提供一个简单的、难以实现的方法来衡量英语通用语言理解技术的进展。SuperGLUE遵循了GLUE的基本设计:它包含一个基于8个语言理解任务的公共排行榜，利用现有数据，附带一个数字性能指标，以及一个分析工具包。该数据集来自研究成果NeurIPS 2019 ——superGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems（https://arxiv.org/pdf/1905.00537v3.pdf ）。数据集链接https://super.gluebenchmark.com/
STF_dense_fog：一个具有挑战性的恶劣天气条件下的目标检测数据集，涵盖了现实世界驾驶场景中的12000个样本和雾室中受控天气条件下的1500个样本。该数据集包括雾、雪、雨等不同的天气条件，是在北欧行驶1万多公里后获得的。该数据集的主要贡献有：为广泛的算法提供了一个试验场，包括信号增强、域适应、目标检测或多模态传感器融合，重点是传感器之间的鲁棒冗余学习，特别是当它们在不同天气条件下不对称失效时。https://www.uni-ulm.de/en/in/driveu/projects/dense-datasets#c811669
Argoverse：是一个跟踪基准，在匹兹堡和迈阿密收集了超过30K个场景。每个场景都是一个以10hz采样的帧序列。每个序列都有一个有趣的对象叫做“agent”，任务是预测agent在未来3秒内的未来位置。序列分为训练集、验证集和测试集，分别有205942、39472和78143个序列。这些分割在地理上没有重叠。 https://www.argoverse.org/data.html
TuSimple：包含6408张美国高速公路上的道路图像。图像的分辨率为1280×720。该数据集由3,626个训练数据集、358个验证数据集和2,782个测试数据集组成，其中图像为不同天气条件下的TuSimple测试集。https://github.com/TuSimple/tusimple-benchmark
TuSimple Lane：是TuSimple数据集的扩展，具有14,336条Lane边界注释。数据集中的每个车道边界都使用7种不同的类别进行标注，如“单虚线”、“双虚线”或“单白连续”。https://github.com/fabvio/TuSimple-lane-classes
ImageNet：根据WordNet层次结构，ImageNet数据集包含14,197,122张带注释的图像。自2010年以来，该数据集被用于ImageNet大规模视觉识别挑战(ILSVRC)，这是图像分类和目标检测的基准。公开发布的数据集包含一组手工标注的训练图像。还发布了一组测试图像，保留了手工注释。https://image-net.org/index.php
HDD：本田研究所驾驶数据集(HDD)是一个用于研究在现实环境中学习驾驶行为的数据集。该数据集包含了真实人类在旧金山湾区104小时的驾驶经历，这些经历是通过配备不同传感器的仪表化车辆收集的。https://usa.honda-ri.com/hdd
Lyft Level 5 Prediction：用于运动预测的自动驾驶数据集，包含超过1000小时的数据。这是由20辆自动驾驶汽车组成的车队在加利福尼亚州帕洛阿尔托沿着一条固定路线收集的，耗时四个月。它由17万个场景组成，每个场景时长25秒，捕捉自动驾驶系统的感知输出，编码附近车辆、骑自行车者和行人的精确位置和动作。该数据集来自研究成果CoRL2020 ——One Thousand and One Hours: Self-driving Motion Prediction Dataset（https://arxiv.org/pdf/2006.14480v2.pdf https://arxiv.org/pdf/1905.00537v3.pdf）。数据集链接https://level-5.global/data/prediction/

教程课程

慕尼黑工业大学TUM

慕尼黑工业大学自动驾驶研究所线上自动驾驶软件工程与自动驾驶中的人工智能技术免费课程。涵盖讲解视频与PPT。本部分收录了相关讲解PPT与视频原链接。

人工智能技术Artificial Intelligence in Automotive Technology

本课程涵盖“人工智能”领域的所有相关方面，特别关注“机器学习”和“深度学习”技术。所有的理论内容将与汽车技术主题相关。

参与本课程后，将对人工智能和机器学习的方法有一个全面的概述。能够为各种问题选择合适的机器学习方法，然后用合适的代码实现它。此外，能够使用机器学习方法解决当前汽车技术(如自动驾驶)的问题。

自动驾驶软件工程Autonomous Driving Software Engineering

本讲座涵盖了自动驾驶软件工程的所有相关方面，并展示了相应的实际应用。

01. 介绍

历史回顾，驾驶任务级别，自动化程度，车辆通信，中间件。
讲解ppt：https://www.researchgate.net/publication/352321561_Autonomous_Driving_Software_Engineering_-_Lecture_01_Introduction_to_Autonomous_Driving
讲解视频：https://www.youtube.com/watch?v=ekOfzdQnPZw

02. 感知一

地图与导航基础。
讲解ppt：https://www.researchgate.net/publication/352321825_Autonomous_Driving_Software_Engineering_-_Lecture_02_Perception_I_-_Basics_of_Mapping_and_Localization
讲解视频：https://youtu.be/ZBUJRsX5jq8

03. 感知二

SLAM（即时定位与地图构建）。
讲解ppt：https://www.researchgate.net/publication/352321792_Autonomous_Driving_Software_Engineering_-_Lecture_03_Perception_II_-_SLAM
讲解视频：https://youtu.be/Ha3cwdnN0ow

04. 感知三

探测：物体检测数据集、物体类型、相机、激光雷达、雷达检测、传感器融合。
讲解ppt：https://www.researchgate.net/publication/352322076_Autonomous_Driving_Software_Engineering_-_Lecture_04_Perception_III_-_Detection
讲解视频：https://www.youtube.com/watch?v=mffK5EbNLos

05. 预测

预测级别，与规划的关系，基于规划和模式的方法，编码器-解码器算法。
讲解ppt：https://www.researchgate.net/publication/352321496_Autonomous_Driving_Software_Engineering_-_Lecture_05_Prediction
讲解视频：https://www.youtube.com/watch?v=3nZYBUTXx84

06. 全局规划

全局路径规划导航任务、搜索方法。
讲解ppt：https://www.researchgate.net/publication/352350798_Autonomous_Driving_Software_Engineering_-_Lecture_06_Planning_I_-_Global_Planning
讲解视频：https://www.youtube.com/watch?v=5OVplZVy544

07. 局部规划

局部路径与行为规划成本函数、决策函数、轨迹生成。
讲解ppt：https://www.researchgate.net/publication/352322244_Autonomous_Driving_Software_Engineering_-_Lecture_07_Planning_II_-_Local_Planning
讲解视频：https://www.youtube.com/watch?v=B3WuUnivDMg

08. 控制

变量，经典控制器，MPC。
讲解ppt：https://www.researchgate.net/publication/352322266_Autonomous_Driving_Software_Engineering_-_Lecture_08_Control
讲解视频：https://www.youtube.com/watch?v=AxlcDWGuetk

09. 安全评估

场景测试，虚拟保障，监督原则。
讲解ppt：https://www.researchgate.net/publication/352322387_Autonomous_Driving_Software_Engineering_-_Lecture_09_Safety_Assessment
讲解视频：https://www.youtube.com/watch?v=q26G-ok20-8

10. 遥控驾驶

必要性、概念、连接建立、用户需求。
讲解ppt：https://www.researchgate.net/publication/352322590_Autonomous_Driving_Software_Engineering_-_Lecture_10_Teleoperated_Driving
讲解视频：https://www.youtube.com/watch?v=wuuyaRO5O6I

11. 端到端

讲解ppt：https://www.researchgate.net/publication/352322925_Autonomous_Driving_Software_Engineering_-_Lecture_11_End-to-End_Combined_Modules
讲解视频：https://www.youtube.com/watch?v=XwZwkRPZn4g

12. 人为因素

用户需求，驾驶舒适性，用户体验，接受度。
讲解ppt：https://www.researchgate.net/publication/352322960_Autonomous_Driving_Software_Engineering_-_Lecture_12_From_Driver_to_Passenger
讲解视频：https://www.youtube.com/watch?v=i9ndRWNVOk0

百度Apollo

帮助学习者从入门到进阶逐步构建完整系统的智能驾驶知识体系。本部分收录了百度Apollo智能驾驶相关讲解PPT与视频原链接。

模块学习

感知、高精地图与定位、决策规划、控制、系统、云服务、软件平台、硬件各模块学习资料：https://apollo.auto/developer/index_cn.html#/

课程学习

入门课程

入门文章：https://apollo.auto/developer/index_cn.html#/learning?id=9
入门视频：https://apollo.auto/devcenter/coursetable_cn.html?target=1

进阶课程

进阶文章：https://apollo.auto/developer/index_cn.html#/learning?id=10
进阶视频：https://apollo.auto/devcenter/coursetable_cn.html?target=2

开发平台文档

Apollo (阿波罗)是一个开放的、完整的、安全的平台，将帮助汽车行业及自动驾驶领域的合作伙伴结合车辆和硬件系统，快速搭建一套属于自己的自动驾驶系统。https://apollo.auto/document_cn.html?target=/Apollo-Homepage-Document/Apollo_Doc_CN_6_0/