自动驾驶

针对自动驾驶场景对YOLOv7的网络架构和参数进行了专项优化。在Backbone部分引入ECA与CBAM，强化多尺度特征融合能力；将Neck层的PAN结构改进为双向特征金字塔（BiFPN），提升小目标检测鲁棒性。调整了锚框尺寸分布，新增针对车辆侧面和锥形桶的细粒度锚点。训练策略上采用余弦退火学习率+EMA权重平滑，并引入动态困难样本挖掘机制。

1. 本项目是自动驾驶技术在无人化清洁场景的具体落地，可代替人工作业； 2. 本项目中的技术点涵盖广大，涉及到自动驾驶、人工智能、机器人等领域的技术； 3. 本项目是硬件、软件、算法的集成体； 4. 本人主导并参与了本项目中的全部工作，有完整的技术路线和完整的技术框架，可以快速迭代； 5. 本人对自动驾驶、机器人、人工智能领域的相关技术点都有涉及、可以兼顾多个技术点的研发。

确定需要讲哪些内容，每个内容多少学时； 软件面向自动驾驶行业的数据挖掘部分； 从海量的数据实车数据中筛选出对模型训练具有高价值的数据，从而加速模型和软件的迭代； 软件方案采用主动学习方法，具体策略包含uncertainty、core-set、learning loss、交叉熵等。通过这些策略来筛选出高价值数据，实现模型的持续迭代。

DAMO-StreamNet 模型介绍 任务说明 本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VO

LongShortNet 模型介绍 任务说明 本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VOD）

DEPE模型介绍 基于多摄像头的纯视觉3D目标检测方法在自动驾驶领域得到越来越广泛的关注。DEPE模型采用Transformer的end-to-end的结构设计，无需传统检测方法中手工设计的要素(如a

视频目标检测 自动驾驶实时视频检测模型, 把周围环境检测问题，转化为将来环境预测问题，从问题定义的层面解决自动驾驶中环境感知时延的问题。该任务定义为流感知（Streaming Perceptio

1.评估模型的性能并避免过拟合 2.一个LSTM编码器网络和一个GAN网络 3.预测车辆轨迹是自动驾驶领域的一个重要问题。它可以帮助自动驾驶车辆更好地规划路径和避免碰撞。