本文综述了低能见度与降雨条件下的自动驾驶感知及图像去雨研究。主要工作包括：REDFormer融合相机与雷达提升低能见度3D检测；L²RIRNet、MvKSR、NightRain、PRRNet等处理低光降雨与视频去雨；DRET与SRKD结合动力学模拟和知识蒸馏增强雨天3D检测，在Waymo数据集上显著提升精度且不损失效率。

该文综述了提升恶劣天气下自动驾驶感知鲁棒性的方法，包括基于物理模拟的LiDAR雨雪雾点云增强、图像雨渲染与合成数据生成、领域自适应目标检测框架及夜间跨视图去雨技术。实验表明，合成数据增强和领域自适应能显著提高雨雪雾中3D检测与语义分割性能。

该文综述鱼眼相机在自动驾驶感知中的研究进展，涵盖多任务网络、WoodScape数据集、多相机标定、目标检测竞赛、域漂移评估及车位检测，旨在克服径向畸变，推动鱼眼视觉应用。

该文汇总多项自动驾驶感知研究：提出安全感知损失与IoGT指标，提升关键行人和3D目标检测安全性；建立物体关键性模型，发现nuScenes排名最优检测器未必最安全；用概率建模改进多目标追踪；提出SAF R-CNN解决行人检测尺度变化；评估轨迹预测，发现简单模型仍具竞争力。

本文综述基于鸟瞰图（BEV）的多传感器融合感知方法，涵盖鱼眼相机、LiDAR与雷达融合，用于深度估计、语义分割、3D目标检测及轨迹预测。研究表明，多模态融合在nuScenes等数据集上优于单模态基线，提升了自动驾驶感知的鲁棒性与精度。

该文汇总多篇自动驾驶感知研究，核心是平衡实时性与准确性，涉及SlowTrack对抗攻击、流式准确性基准、双流动态静态感知、边缘计算卸载、延迟感知协同感知SyncNet、ApproxDet自适应检测等，通过优化延迟与精度权衡提升感知性能。

本文综述高清地图与自动驾驶感知技术进展，涵盖VMA、StreamMapNet、MachMap、HDMapNet、VectorMapNet、GeMap等框架，这些框架提升了地图生成效率、在线推理速度与精度，并探索了无人机地图、无地图驾驶及MOVAD实时系统。