-
学习时长
12周/建议每周至少6小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
每章节设计作业/助教及时批改评优
-
课程有效期
一年/告别拖延，温故知新
- 第1章: 自动驾驶感知模型的演变
- 1： 【课件】感知模型的演变
- 第1节: 自动驾驶功能需求的变化
- 2： 【视频】章节内容介绍
- 第2节: L2与L2+的感知系统
- 3： 【视频】L2与L2+的感知系统
- 第3节: Telsa如何解决L2+感知需求
- 4： 【视频】Telsa如何解决L2+感知需求
- 第4节: 补充：self-attention与cross-attention
- 5-1： 【课件】Transformer中的self-attention与Cross-attention
- 5-2： 【视频】详细讲解Transformer中的Attention
- 5-3： 【视频】视觉Transformer中的self-attention与Cross-attention
- 第5节: 实践：ViT中的Attention
- 6-1： Project 1 Vision Transformer实践说明
- 6-2： 【实践】Project 1 Vision Transformer
- 6-3： 【作业】Project 1 Vision Transformer
- 6-4： Project 1 Vision Transformer作业思路讲解和问题汇总
- 第2章: 特征空间转换方法
- 7-1： 【课件】View Transformation
- 7-2： 【论文】前两章课件中涉及到的论文
- 第1节: 为什么BEV是更合适的特征空间
- 8： 【视频】为什么BEV是更合适的特征空间
- 第2节: LSS(2D to 3D/从底向上)：基于深度分布估计的方法
- 9： 【视频】IPM与LSS特征空间转换方法
- 第3节: Transformer(3D to 2D/从顶向下)：基于注意力机制的方法
- 10-1： 【视频】Transformer特征空间转换方法
- 10-2： 【视频】本章小结
- 第4节: 实践：IPM特征空间变换
- 11-1： 【附件】Project2
- 11-2： 【作业】Project 2 IPM空间转换实践
- 11-3： 【文档】Project 2 IPM空间转换实践作业问题汇总
- 第5节: 实践：LSS特征空间变换
- 12-1： 【作业】Project3 LSS特征空间变换
- 12-2： 【文档】Project3作业思路提示
- 第6节: 实践：Transformer特征空间变换
- 13-1： 【作业】Project4 Transformer特征空间变换
- 13-2： 【文档】Project4作业思路提示
- 第3章: 基于LLS的BEV感知模型原理
- 14-1： BEV实践环境配置
- 14-2： 【课件】基于LSS的BEV模型原理
- 第1节: 内容引入
- 15： 【视频】内容引入
- 第2节: CaDNN算法
- 16： 【视频】CaDNN算法
- 第3节: BEVDet系列算法：BEVDet与BEVDet4D
- 17-1： 【视频】BEVDet系列算法：BEVDet原理与细节实现
- 17-2： 【视频】BEVDet系列算法：BEVDet4D基本思想
- 第4节: LSS-based 方法：M2BEV
- 18： 【视频】M^2BEV：第一个支持多任务的算法
- 第5节: LSS-based 方法：BEVFusion
- 19： 【视频】BEVFusion：图像与激光雷达融合的多传感器融合算法
- 第6节: LSS-based 方法：FastBEV
- 20： 【视频】面向工程设计的FastBEV
- 第7节: LSS系列算法小结
- 21： 【视频】LSS系列方法小结
- 第4章: LSS-based BEV感知模型的工程实现
- 22： 【课件】BEV模型实现讲解与实践 Part I
- 第1节: 内容概览：从感知任务需求到工程实现
- 23： 【视频】BEV工程实现：数据流、框架流、模型流与张量流
- 第2节: 从BEV感知任务到数据拆解：数据“流”
- 24-1： 【视频】数据“流”：标注数据-数据转换-数据训练
- 24-2： 【视频】数据“流”：标注数据
- 24-3： 【视频】数据“流”：数据转换
- 24-4： 【视频】数据“流”：数据集的准备与读取
- 第3节: 从BEV工程实现到框架拆解：框架“流”
- 25-1： 【视频】框架“流”：训练pipeline
- 25-2： 【视频】框架“流”：configs文件
- 25-3： 【视频】框架“流”：模型的Registry&Hook
- 25-4： 【视频】框架“流”小结
- 第4节: 从BEV算法设计到模型拆解：模型“流”与张量“流”
- 26-1： 【课件】模型流与张量流
- 26-2： 【视频】模型“流”&张量“流”：算法设计-模型封装实现-模型推理张量
- 26-3： 【视频】模型“流”&张量“流”：image-view encoder
- 26-4： 【视频】LSS-view transform
- 26-5： 【视频】BEV空间特征及任务head
- 第5章: LSS-based BEV感知模型在地平线征程芯片上的部署
- 27-1： 【课件】基于征程芯片的BEV算法部署：BEVDet为例
- 27-2： 【课件】BEVDet环境配置与实践
- 第1节: OpenExplorer开发包介绍
- 28： 【视频】OpenExplorer开发包介绍
- 第2节: 搭建浮点模型
- 29： 【视频】搭建浮点模型
- 第3节: 模型量化
- 30： 【视频】模型量化
- 第4节: 模型编译与上板
- 31： 【视频】模型编译与上板
- 第6章: 基于Transformer的BEV模型原理
- 32： 【课件】基于Transformer的BEV模型原理
- 第1节: Transformer-based方法的引入
- 33： 【视频】Transformer-based方法的引入
- 34-1： 【视频】基于稠密Query的BEV表示：BEVFormer
- 34-2： 【视频】BEVFormer的实现细节
- 35： 【视频】基于稀疏Query的BEV表示：PETR系列
- 36： 【视频】基于稀疏Query的BEV表示：FUTR3D
- 第2节: View Transformation各类方法的总结
- 37： 【视频】BEV动静态元素检测任务模型总结
- 第7章: 基于Transformer的BEV感知模型的工程实现
- 38： 【课件】BEVFormer模型实现讲解与实践
- 第1节: 内容概览：从算法设计到模型推理张量
- 39： 【视频】内容概览
- 第2节: Transformer-based 3D-to-2D的实现思路
- 40： 【视频】Transformer-based 3D-to-2D 基本思路
- 第3节: BEVFormer的数据流
- 41： 【视频】BEVFormer的数据流
- 第4节: BEVFormer的模型封装
- 42： 【视频】BEVFormer的模型封装实现
- 第5节: BEVFormer Encoder的实现
- 43-1： 【视频】BEVFormerEncoder：TemporalSelfAttention（上）
- 43-2： 【视频】BEVFormerEncoder：TemporalSelfAttention（下）
- 43-3： 【视频】SpatialCrossAttention
- 第6节: Detection Transformer Decoder的实现
- 44： 【视频】DetectionTransformerDecoder
- 第7节: 实践：图像与点云BEV空间特征融合实践
- 45-1： 【任务说明】图像与点云BEV空间特征融合实践
- 45-2： 【实践】图像与点云BEV空间特征融合
- 45-3： 【选做作业】Final Project 图像与点云BEV空间特征融合实践
- 第8章: Transformer-based BEV模型在Nvidia芯片上的部署
- 第1节: 基于Nvidia芯片的BEVFormer推理加速
- 46-1： 【视频】训练好的模型转ONNX
- 46-2： 【视频】ONNX转TensorRT模型
- 第9章: BEV for Occupancy
- 47： 【课件】从BEV到Occupancy
- 第1节: 任务定义
- 48： 【视频】任务定义
- 第2节: Occupancy方法：MonoScene, VoxFormer, TPVFormer,OpenOccupancy, SurroundOcc, Occ3D
- 49： 【视频】MonoScene
- 50： 【视频】VoxFormer
- 51： 【视频】TPVFormer
- 52： 【视频】OpenOccupancy
- 53： 【视频】SurroundOcc
- 54： 【视频】Occ3D
- 第3节: 总结
- 55： 【视频】总结
- 第10章: BEV for Mapless
- 第1节: 高精地图介绍
- 56： 【视频】高精度地图介绍
- 第2节: HDMapNet：在BEV空间上做⽮量地图元素检测
- 57： 【视频】HDMapNet感知局部矢量地图
- 第3节: STSU：用贝塞尔曲线表达矢量地图
- 58： 【视频】STSU：贝塞尔曲线表达矢量地图
- 第4节: VectorMapNet：用Polyline与点集构建矢量地图
- 59： 【视频】VectorMapNet：用Polyline与点集构建矢量地图
- 第5节: MapTR：更接近量产落地的方案
- 60： 【视频】MapTR：更接近量产落地的方案
- 第6节: Mapless方法总结
- 61： 【视频】Mapless方法总结
- 第11章: BEV for End-to-End
- 62： 【课件】从BEV到End to End
- 63： 【视频】从BEV到End-to-End
- 第1节: FIERY：Perception + Prediction
- 64： 【视频】从BEV到E2E：FIERY
- 第2节: MUTR3D：Perception + Tracking
- 65： 【视频】从BEV到E2E：MUTR3D
- 第3节: UniAD：Perception + Planning
- 66： 【视频】从BEV到E2E：UniAD
- 第12章: 自动驾驶中的4D标注
- 67： 【课件】自动驾驶中的4D Label概述
- 第1节: 4D Label背景介绍
- 68： 【视频】4D Label背景介绍
- 第2节: 4DLabel在自动驾驶中的作用
- 69： 【视频】4DLabel在自动驾驶中的作用
- 第3节: 自动驾驶中的数据问题
- 70： 【视频】自动驾驶中的数据问题
官方微信公众号
