When2com: 基于通信图分组的多智能体感知
通过引入 CommFormer，将多个智能 Agent 之间的通讯架构视为可学习的图形，采用连续松弛和关注机制的方式，在协作任务上优化通讯图并通过梯度下降同时完善架构参数，证实了模型在不同合作场景下，无论 Agent 数量的变化，都能协调更好且更复杂的策略。
May, 2024
本文提出了一种通用的图神经网络（GNN），旨在通过协同感知能力，提高多机器人视觉感知任务的单个机器人推断感知准确性，并提高其对传感器故障和扰动的恢复能力。该方法已在多种实验场景中进行了验证。
Jan, 2022
本研究提出了一种基于注意力机制的图形卷积网络作为中间的协作感知解决方案，通过该方法实现了信息聚合并提高了物体检测精度，同时减少了网络资源的使用，有效地解决了智能交通系统中的协作感知问题。
May, 2023
本文提出了 “协同感知” 问题，通过一个能够学习的方式，使机器人能够将其本地观察结果与相邻代理的结果组合在一起，以提高感知任务的准确性，在网络通信协议的启发下，提出了一个多级握手通信机制，以优化场景理解任务，如语义分割。在 AirSim-CP 数据集上的实验表明，我们的握手通信方法可以将准确率提高约 20％，与使用带宽的四分之一的集中式方法相媲美。
Mar, 2020
该论文提出了一种机器学习视角下的首个延迟感知的协同感知系统，通过使用 SyncNet，着重于实现异步感知特征的特征级同步来提高协作的鲁棒性和效果，并证明了该方法在通讯延迟场景下优于现有的协同感知方法，且在严重延迟情况下，协同感知仍优于单个智能体感知。
Jul, 2022
本文提出了以 SCOPE 为基础的协同感知框架，通过聚合不同道路代理的时空感知特征，以连续的方式显著提高自主车辆的感知性能。实验结果展示了我们方法的优越性和所提出组件的必要性。
Jul, 2023
提出了空间置信图概念，以实现基于多智能体协同感知的通信高效性，使智能体在信息共享时只传递关键的感知信息，优化感知性能，并可自适应调整传输空间区域以应对不同的通信带宽。在多个数据集上的 3D 物体检测任务中，Where2comm 算法分别以不同的传感器类型和车辆类型获得了优异的性能，并在通信体积方面实现了大幅度降低。
Sep, 2022
由于有效减少遮挡并扩展视野，群体感知近年来引起了广泛关注，从而提高可靠性、效率和决策安全性。本文提出了一种基于代理的训练框架，通过将深度学习模块和代理数据分开处理，实现了更清晰的数据流结构，既提供了用于灵活原型化数据处理流程和定义每个代理的梯度计算的 API，又提供了与用户交互式训练、测试和数据可视化的界面。在突出的群体感知基准 OPV2V 上，通过四个群体目标检测模型的训练实验结果表明，基于代理的训练可以显著减少 GPU 内存消耗和训练时间，并保持推理性能。
Apr, 2024