推荐|2024 行远自迩，笃行不怠

2024年是充满变化与挑战的一年，我的开发方向经历了从智能驾驶到工业智能检测，再到机器人感知交互与决策的不断演进。

这一年，我不断拓宽技术视野，深入探索不同领域的技术挑战和应用场景。

最初，我希望专注于单一领域深耕，但随着行业趋势的快速变化，我逐渐意识到跨领域知识融合和持续学习的重要性。

面对这些转变，我学会了保持开放的心态，主动拥抱新技术，也在挑战中不断成长。

在工业智能检测领域，我深刻体会到工业场景对算法的高精度、高可靠性和高适应性的严格要求。

工业环境的复杂性远超预期，算法需要具备强的泛化能力，以适应不同的生产环境和产品型号的变化，这对算法的稳定性和鲁棒性提出了更高的挑战。

通过不断的优化和迭代，我在工程落地过程中积累了丰富的实践经验，逐步掌握了如何在工业应用场景中平衡算法性能与业务需求。

学习了最新的YOLO11，从常规目标检测到旋转目标检测和实例分割等多个任务。

此外，我还学习研究了多种工业异常检测方法，例如：

机器人技术的发展让我深感兴趣，从最初接触6D位姿估计，到深入研究抓取点估计，再到尝试物体重建，一步步加深了对机器人技术的理解。

随着对领域的深入了解，我发现，当前技术已逐渐实现端到端的6D位姿估计、抓取预测及物体重建，这些技术的发展让我对未来充满期待。

在研究过程中，我接触到了多个前沿技术和研究成果，例如：

在机器人具身智能方面，我正在学习如何通过多模态融合技术，使机器人具备更强的动态交互和环境感知能力。

通过强化学习、模仿学习以及ISAAC Lab的仿真平台，我逐步探索机器人在复杂环境下的智能决策和自主操作能力。

在智能驾驶方向，我重点学习了多模态融合与视图变换技术，以提升感知精度和系统鲁棒性。其中，以下技术让我印象深刻：

BEV视图变换：
- Fast-Ray：基于查找表（LUT）的多视角到单个三维体素转换，极大提升了计算效率。
多模态融合：
- MetaBEV：解决传感器故障问题，实现高精度3D检测与BEV分割。
- SuperFusion（ICRA 2024）：多层次融合激光雷达与相机数据，提供远距离高清地图预测。
- CRN（ICCV 2023）：结合多视角相机与雷达，实现3D目标检测、跟踪及BEV分割。
4D毫米波雷达：
- CRN（ICCV2023）：使用雷达与多视角相机融合，实现3D目标检测、3D目标跟踪、道路环境BEV分割。
- ADCNet（2023）：利用原始雷达数据，实现高效的目标检测和环境感知。
- FFT-RadNet（CVPR 2022）：用于目标检测与可行驶区域分割。
占用网络：
- VoxFormer（CVPR 2023）：基于视觉的3D语义场景理解方案。
- SurroundOcc（ICCV 2023）：环视相机实现3D语义占用预测，提供更全面的环境建模能力。