Modern autonomous driving system is characterized as modular tasks in sequential order, i.e., perception, prediction, and planning. In order to perform a wide diversity of tasks and achieve advanced-level intelligence, contemporary approaches either deploy standalone models for individual tasks, or design a multi-task paradigm with separate heads. However, they might suffer from accumulative errors or deficient task coordination. Instead, we argue that a favorable framework should be devised and optimized in pursuit of the ultimate goal, i.e., planning of the self-driving car. Oriented at this, we revisit the key components within perception and prediction, and prioritize the tasks such that all these tasks contribute to planning. We introduce Unified Autonomous Driving (UniAD), a comprehensive framework up-to-date that incorporates full-stack driving tasks in one network. It is exquisitely devised to leverage advantages of each module, and provide complementary feature abstractions for agent interaction from a global perspective. Tasks are communicated with unified query interfaces to facilitate each other toward planning. We instantiate UniAD on the challenging nuScenes benchmark. With extensive ablations, the effectiveness of using such a philosophy is proven by substantially outperforming previous state-of-the-arts in all aspects. Code and models are public.

The autonomous driving community has witnessed a rapid growth in approaches that embrace an end-to-end algorithm framework, utilizing raw sensor input to generate vehicle motion plans, instead of concentrating on individual tasks such as detection and motion prediction. End-to-end systems, in comparison to modular pipelines, benefit from joint feature optimization for perception and planning. This field has flourished due to the availability of large-scale datasets, closed-loop evaluation, and the increasing need for autonomous driving algorithms to perform effectively in challenging scenarios. In this survey, we provide a comprehensive analysis of more than 270 papers, covering the motivation, roadmap, methodology, challenges, and future trends in end-to-end autonomous driving. We delve into several critical challenges, including multi-modality, interpretability, causal confusion, robustness, and world models, amongst others. Additionally, we discuss current advancements in foundation models and visual pre-training, as well as how to incorporate these techniques within the end-to-end driving framework.We maintain an active repository that contains up-to-date literature and open-source projects at https://github.com/OpenDriveLab/End-to-end-Autonomous-Driving .

Coplanar array capacitance imaging is an attractive imaging technique in industrial and detection fields, but low-quality images reduce its practicality and reliability. The inverse problem is difficult to solve and the image reconstruction quality is low, in this paper, an auxiliary optimisation strategy is proposed to transform the inverse problem of image reconstruction into a general minimisation problem, combined with the threshold of automatic parameter selection for feature extraction of capacitive data. The Kullback-Leibler(KL) data error term is combined with the Total Variation (TV) semi-norm to form a new imaging model. Utilising the Chambolle-Pock framework, the image reconstruction problem is transformed into a general minimisation problem to obtain high-quality images. Capacitance data from a 3 × 4 coplanar array capacitance sensor is used for feature extraction, serving as the basis for automatic parameter selection in the auxiliary optimisation strategy. The proposed Chambolle-Pock framework with the support of the auxiliary optimisation strategy, validated through simulation and experiments, outperforms popular imaging algorithms in terms of performance. The novel automatic parameter selection optimization algorithm introduced in this paper enhances the accuracy of capacitor image reconstruction in coplanar arrays.

Background The growing aging population has led to an increase in the prevalence of Alzheimer's disease (AD) and osteoporosis (OP), both of which significantly impair quality of life. The comorbid nature of these conditions suggests a shared genetic etiology, the understanding of which is crucial for developing targeted therapies. Objective This study aims to explore the shared genetic etiology underlying AD and OP, using a system biology approach to identify potential therapeutic targets and natural compounds for treatment. Methods We employed Weighted Gene Co-Expression Network Analysis (WGCNA) with molecular docking strategies to uncover the genetic links between AD and OP. MT2A and CACNA1C were identified as key pleiotropic hub genes potentially linking AD and OP. Molecular docking was utilized to screen for compounds with therapeutic potential, leading to the identification of formononetin as a compound with significant binding affinity to these hub genes. Quantitative real-time PCR (qRT-PCR) validation was conducted to confirm the gene expression changes in disease models. Results Our study indicate that formononetin exhibits strong binding affinity to the identified hub genes, MT2A and CACNA1C. qRT-PCR validation confirmed the upregulation of these genes in disease models, which was mitigated upon treatment with formononetin, suggesting a reversal of disease markers. Conclusions This study advances our understanding of the genetic intersections between AD and OP and positions formononetin as a promising natural agent for further translational research. Formononetin's multi-target potential makes it a valuable candidate for managing these comorbid conditions, meriting further investigation and development as a therapeutic strategy.