无图智能驾驶算法比赛，吉利第一，小米第二，博世第四，滴滴第六

主要观点总结

本文主要介绍了关于自动驾驶和智能座舱的公众号“阿宝1990”所关注的内容，包括无图智驾算法比赛、数据集、以及不同公司和研究团队的算法架构等。文章还包含了一些关于比赛、数据集和算法的关键点分析。

关键观点总结

关键观点1: 公众号“阿宝1990”专注于自动驾驶和智能座舱领域。

该公众号每天发布汽车干货，并关注车相关的多个方面。

关键观点2: CVPR 2024自动驾驶国际挑战赛的情况。

比赛吸引了120个团队参赛，共提交了729份算法。比赛任务是在无高精度地图的情况下，在线重新生成高精度地图。

关键观点3: OpenLaneV2数据集的特点。

该数据集包括场景语义理解，有助于端到端自动驾驶的测试。其最大特色是加入了场景理解，数据集的首要任务是场景结构感知和推理。

关键观点4: 朗歌科技算法的整体架构。

该算法包含六个主要组件，包括配备了SVT的图像特征骨干网、分层时域混合、统一的instance分割与检测等。其消耗算力惊人，一般采用多张英伟达A100显卡进行试验。

关键观点5: 小米的算法特点。

小米的算法主要借助SD地图来辅助OpenLane拓扑。其整体框架与朗歌科技相似，但在BEV投影上没有过多创新，选择了BEVFormer。小米主要在标准地图编解码环节下功夫，通过将标准地图看作多边形线条来进行编码和解码。

文章预览

欢迎关注下方公众号 阿宝1990 ，本公众号专注于自动驾驶和智能座舱，每天给你一篇汽车干货，我们始于车，但不止于车。 图片来源：CVPR 2024自动驾驶国际挑战赛 CVPR 2024 Autonomous Grand Challenge Track Mapless Driving无图智驾算法比赛吸引了120个团队参赛，共提交了729份算法，算是规模很大的比赛了。并非智能驾驶不需要高精度地图，相反，智能驾驶离不开高精度地图，但高精地图成本高、更新慢、覆盖面窄、政策限制多，诸多因素叠加导致高精地图在很多城市缺失。为解决这个问题，不是放弃高精地图，而是在线重新生成高精度地图，这就是无图智驾算法比赛的任务。 图片来源：小米论文Leveraging SD Map to Assist the OpenLane Topology 左边是一个标准地图的示例，当然还包括红绿灯、车道线以及道路标志。右边是一个对应的高精度地图的真值，比赛的任务就是创 ………………………………