本文提出了一种基于选择性通信算法的合作感知方法，用于提高当前自动驾驶系统在障碍物干扰场景下的可靠性。通过多智能体路径规划研究的启发，将感知网络与控制网络相结合，实现了对有关导航规划最为关键的感知信息的选择传输，在安全关键驾驶场景模拟中显示出了比随机选择方法更高的成功率，同时最小化了附加通信开销。

May, 2023

驾驶环境感知对于避免碰撞和路径规划以确保驾驶安全至关重要。合作感知广泛研究作为解决单车感知不足的有效方法，然而，车对车通信的实际限制尚未充分调查。本文提出了一种自适应加权模型的自我监督中间融合，以减轻信道失真的不良影响。在不同的系统设置下，调查了合作感知的性能。同时考虑了瑞利衰落和不完善的信道状态信息（CSI）。数值结果表明，所提出的自适应加权算法明显优于无加权的基准。可视化示例验证了所提出的加权算法可以灵活适应不同的信道条件。此外，自适应加权算法在未经训练的信道和来自不同领域的测试数据集上表现出良好的泛化能力。

Dec, 2023

合作感知在自动驾驶中得到广泛应用，本研究分析了考虑通信信道损伤的合作感知性能。通过评估不同的融合方法和通道损伤，提出了一种新的后期融合方案，并采用基于卷积神经网络的自动编码器来压缩合作造成的数据大小。数值结果表明，当信噪比大于 0 dB 时，中期融合对信道损伤更具鲁棒性，提出的融合方案优于常规后期融合，并且自动编码器在检测精度和带宽使用之间提供了很好的折中。

Nov, 2023

本研究提出了一种基于历史信息的 V2X-INCOP 方案，利用通信自适应多尺度时空预测模型来提取多尺度时空特征、捕捉最显著的信息以预测遗漏的信息，同时采用知识蒸馏框架和课程学习策略来稳定模型训练，实验表明该方法能够有效缓解通信中断对合作感知的影响。

Apr, 2023

本文提出了一种通过匹配抽象感知矩阵和移动高度混合中继确定程序来解决联合感知中无视野问题的方案，以提高车联网通信的效率和性能。

Jul, 2023

本文研究了基于深度学习的车辆感知中 “合作感知” 环节中由于通信质量差而带来的性能损失，并提出了一种新颖的方法，利用 “LC-aware Repair Network” 和 “V2V Attention Module” 来增强车辆之间的互动，并在公共数据集 OPV2V 上进行了广泛实验，展示了在 “失真 V2V 通信” 环境下提高识别性能的有效性。

Dec, 2022

本文探讨车辆如何使用 V2X 通信交换信息以实现集体感知，介绍了 ETSI 关于集体感知规则的提议，并提出了改进算法以提高 V2X 通信可靠性和 CAVs 的感知。

Aug, 2019

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

本论文提出了一种基于强化学习、四叉树点云压缩机制的框架，可利用联邦强化学习方法加速车辆协同感知中的联合学习过程。进一步利用该框架优化车辆间的关联、资源分配和信息交换，从而实现车辆间可靠高效的协同感知。

Dec, 2020

自动驾驶中准确的感知是推动该领域发展并解决安全挑战的关键。新兴的基于车联网技术的合作感知被提出作为一种解决方案，以克服当前感知方法在复杂真实交通环境中遇到的困难，并提升驾驶自动化系统的性能。本文通过全面综述合作感知技术的演进，并重点关注与车联网通信技术相关的最新研究，提出了一个当代通用框架来说明基于车联网的合作感知工作流程，分析了当前所解决的关键问题并进行了文献综述，最后探讨了自动驾驶中感知和车联网通信发展所面临的挑战和未来方向。

Oct, 2023