자율주행

자율 주행에서 HD 맵의 중요성과 구축의 어려움(높은 주석 비용, 유지 보수)기존 온라인 맵 학습 방식인 맵 요소 감지(기하학적 정보 중심)와 중심선 인식(위상학적 정보 중심)의 한계를 지적두 방식 모두 도로 구조에 대한 완전한 정보를 제공하지 못하며, 이를 보완하기

3D Gaussian Splatting(3DGS)의 모바일 실시간 배포가 어려운 이유(정렬 기반 alpha blending의 비용, 큰 저장 요구량)를 제기하고, 이를 해결하기 위한 Mobile-GS를 제안핵심 기여는 (1) 정렬을 제거하는 depth-aware ord

저자들은 기존 end-to-end autonomous driving(E2E-AD)이 open-loop에서는 좋아 보여도, 실제 주행 시뮬레이션에 가까운 closed-loop 평가 성능은 아직 부족하다고 본다. 이를 해결하기 위해 두 가지를 제안한다.첫째, multi-g

기존 스마트 에이전트 시뮬레이터는 대체로 과거를 인코딩하고 미래를 디코딩하는 encoder-decoder 구조를 쓰는데, 저자들은 이 방식이 구조를 복잡하게 만들고, history/future를 인위적으로 나누기 때문에 데이터 활용도도 낮다고 봄그래서 모든 시점을 대칭

이 논문은 대형 VLM을 그대로 자율주행에 쓰면 GPU 메모리 사용량과 latency가 너무 크고, 반대로 작은 모델을 단순 SFT (Supervised Fine-Tuning) 만으로 학습하면 capability gap이 잘 안 메워진다는 문제에서 출발함이를 해결하기

기존 방법들이 과거 정보를 활용하더라도 motion planning에 충분히 반영하지 못하거나, 각 query가 하나의 trajectory 단위로 구성되어 있어 미래 여러 시점을 세밀하게 다뤄야 하는 planning 특성과 맞지 않음을 지적함. 이를 해결하기 위해 Br