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

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

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

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

本文提出了一种去中心化的协作感知方法，基于 Deep Reinforcement Learning 算法，学习一种反向通讯策略，只请求未知信息，最终实现交通物品的最大化感知和最小化信息交流成本的平衡调整。

Dec, 2022

本文旨在探讨利用车辆间通信（V2V）来提高自动驾驶汽车的感知和运动预测性能，通过聚合来自多个附近车辆的信息，我们可以从不同视角观察相同的场景，可以穿透遮挡物并检测长距离的行为者，通过使用压缩的深度特征图激活的方法，达到高精度的目的，同时满足通信带宽要求。

Aug, 2020

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

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

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

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