本文提出一种新的协同三维物体检测框架，通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度，同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析，证明了该方法可以在各种检测困难情况下节省通信和计算成本，并显著提高检测性能。

May, 2022

提出面向智能互联汽车的点云特征协同感知框架 (F-Cooper)，通过特征融合，实现了目标检测精度的提升，并在进行实时边缘计算的同时，避免了网络拥塞和通信延迟的问题。

Sep, 2019

本文提出了两种单模态传感器的合作式三维物体检测方案，分别为早期融合方案和后期融合方案，并通过在 T 形路口和环岛等复杂驾驶情境中创建的协作数据集对两种方案及其混合策略进行了性能评估。评估结果表明，早期融合方案在检测精度上表现优异，能识别 95% 以上的物体，而后期融合方案在传输开销上表现更加经济实用。文章同时研究了传感器数量及配置如何影响系统性能。

Dec, 2019

合作感知技术对提升自主车辆能力和道路安全具有多方面的好处，使用路侧传感器以及车载传感器可以提高可靠性和扩展传感器范围。我们提出了一种合作多模态融合模型 CoopDet3D 和感知数据集 TUMTraf-V2X，用于合作式三维物体检测和跟踪任务。通过多次实验，我们证明了相对于车载摄像头 - LiDAR 融合模型，我们的 CoopDet3D 摄像头 - LiDAR 融合模型在三维 mAP 上实现了 + 14.36 的提高。最后，我们将我们的数据集、模型、标注工具和开发套件公开发布在我们的网站上。

Mar, 2024

通过利用激光雷达技术与数据融合算法，实现车路协同的共享与组合，提高自动驾驶系统的感知范围、补充盲区、提高感知精度，以促进自动驾驶技术的发展并实现车路一体化。同时，设计测试场景，证明了车路协同自动驾驶与单车自动驾驶相比的优势。

Aug, 2022

本文介绍一种新的通过点云序列检测车辆 3D 物体的方法，采用 LiDAR 传感器解决阴影效应与 HD 地图配合，并使用 V2X 通信技术提高车辆感知性能，同时优化带宽性能.

Jul, 2023

通过合作感知技术提高自动驾驶车辆在不利环境下的视觉感知质量，采用最佳辅助车辆优化协同感知并提高目标检测准确性，特别关注行人检测，验证结果表明该方法在挑战场景中提高了协作感知性能和驾驶安全。

Apr, 2024

近年来光学传感器和学习算法对于自主驾驶的发展有了显著提高，但今天的自主驾驶仍受到有限视线感知能力和数据驱动方法处理极端情况的脆弱性的阻碍。因此，使用车辆间通信协同感知被认为是一种增强自主驾驶的重要方式。本篇论文提出 COOPERNAUT，一种基于机器学习的协同感知驾驶模型。COOPERNAUT 可以通过车辆间的通信对紧凑型基于点的 LiDAR 信息进行编码并在危险情况下增强自主驾驶的性能。本文所开发的网络增强驾驶仿真框架，AutoCastSim，可以在典型的事故场景下进行驾驶模型实验，结果表明，在这种具有挑战性的驾驶情况下，使用 COOPERNAUT 的协同感知驾驶模型比自我中心驾驶模型有着 40％的平均成功率的提高，并且需要的带宽比之前的 V2VNet 小 5 倍。

May, 2022

通过可微分的多传感器卡尔曼滤波器，本文提出了一种新颖的用于自动驾驶的 3D 多目标合作追踪算法，该算法学习估计每个检测的测量不确定性，以更好地利用卡尔曼滤波器追踪方法的理论属性，实验结果表明，与 V2V4Real 中的最新方法相比，我们的算法提高了 17% 的追踪准确性，且仅有 0.037 倍的通信成本。

Sep, 2023

自动驾驶引起学术界和工业界的广泛关注，但目前的自动驾驶系统大多基于单一车辆，存在较大限制，可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战，如数据共享异步性、数据量和姿态误差等。然后，我们讨论了使用各种技术解决这些挑战的可能方法，并阐述了相关的研究机会。此外，我们提出了一种应对通信效率和延迟问题的方案，即一种通道感知的协作感知框架，通过动态调整通信图并减小延迟，提高感知性能和通信效率。最后，我们进行实验证明了我们提出方案的有效性。

Jan, 2024