1. 泊车：
线车位检测 Geometric Features-Based Parking Slot Detection
译文链接：https://blog.csdn.net/djfjkj52/article/details/105529032
简介：
停车位检测是自动停车系统的重要方面，但是尚未开发出精确的基于视觉的停车位检测方法。
在本文中，我们提出了一种基于几何特征的停车位标记检测方法，该方法涉及三个显着方面。
首先，我们提出了一种可以在各种复杂的光照和地面条件下识别停车位标记的直线聚类方法。
其次，我们提出了一种基于多视图融合的方法，可以增加训练样本的数量，提高检测结果的准确性。
在我们的测试数据库上对实验进行了评估，该方法的性能优于单眼视图方法。最后，我们只训练了一个检测器，然后利用convex defect凸形缺陷识别标记点的T形或L形。
由于该方法的运行时间无法满足实时性要求，因此我们将在以后尝试降低方案的复杂度，另外，由于深度学习具有较高的准确检测性能，因此我们打算在停车位检测中使用深度学习。
datasets： 用353个BEV图像覆盖了不同的停车槽标记对该方法进行了评价（未公布）
code：未公布
2. SLAM：
其他人总结的：[https://blog.csdn.net/heyijia0327/article/details/82855443]
Trained Trajectory based Automated Parking System using Visual SLAM
译文链接：[https://blog.csdn.net/djfjkj52/article/details/105772157]
简介：
在本文中，我们概述了工业训练的轨迹自动泊车系统。 我们讨论了经过训练的轨迹停车用例，并演示了如何使用Visual SLAM管道扩展当前的停车系统。我们详细描述了Visual SLAM管道，并列出了商业部署中遇到的实际挑战。为了鼓励进一步的研究，我们计划发布包含100,000张图像的数据集。 在未来的工作中，我们计划探索一个统一的多任务网络来执行视觉SLAM和其他物体检测模块。
dataset：woodspace https://github.com/valeoai/WoodScape
code：未发布
FisheyeMultiNet: Real-time Multi-task Learning Architecture for Surround-view Automated Parking
译文链接：[https://blog.csdn.net/djfjkj52/article/details/105806318]
简介：
本文提供了商业级自动泊车系统的高级概述。 我们详细介绍了系统的各个方面，包括嵌入式系统体系结构，需要处理的停车用例以及解决这些用例的视觉算法。 我们关注的是一个最小的系统，该系统可以通过使用四个斜视摄像头的高效率多任务学习体系结构进行设计，以提供围绕车辆的360°视野。
我们提供了proposed deep learning architecture 的详细定量结果；并且表明尽管减少了内存消耗和计算能力，但MTL网络的准确性并没有比STL低很多。
此外，我们发布了包含5,000张图像的数据集，并带有语义分割和边界框注释，以鼓励进一步的研究。
dataset：woodspace https://github.com/valeoai/WoodScape
我们通过WoodScape项目发布了包含语义分割和边界框检测基础事实的5,000张图像的部分数据集。
code：未发布
Visual SLAM for Automated Driving: Exploring the Applications of Deep Learning
译文链接：
简介：
CNN已成为自动驾驶中用于对象检测和语义分割的事实上的方法。它们在几何计算机领域也显示出可喜的进展，视觉算法，例如深度和流量估算。 然而，基于CNN的Visual SLAM方法进展缓慢。 在这项工作中，我们提供了Visual的概述
用于自动驾驶的SLAM，并调查了在各种构造块中使用CNN的可能机会。 作者认为这是一个令人兴奋的研究和希望领域
这项工作将鼓励进一步的进步。 未来的研究是对提出的方法进行原型设计和评估其准确性