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

过去十年中，虽然单一机器人感知取得了重大进展，但多机器人协同感知的研究仍未被广泛探索。本文提出了一个开创性的全面真实世界的多机器人协同感知数据集，用于推动这一领域的研究。我们的数据集利用了空中 - 地面机器人协同的未发掘潜力，具有不同的空间视角、互补的机器人移动性、覆盖范围和传感器模态。它提供了原始传感器输入、姿态估计和可选的高级感知注释，以适应各种研究兴趣。与现有主要设计用于同时定位和地图构建（SLAM）的数据集相比，我们的设置确保了多样化的传感器视角范围和足够的重叠以促进多机器人协同感知算法的研究。我们通过多个协同感知任务定性地证明了这个数据集的价值。我们相信这项工作将在多模态协同感知中解锁高级场景理解的潜在研究。

May, 2024

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

在现实的计算机视觉应用中，我们可以优化识别对象的设计，并开发了一个框架来利用这种优化来显著提高视觉模型的性能和鲁棒性，通过利用现代机器学习算法对输入扰动的敏感性来设计 “鲁棒对象”，即明确优化为可信检测或分类的对象。我们展示了这一框架在各种基于视觉的任务上的有效性，涵盖了从标准基准测试，到（模拟中的）机器人，再到真实世界实验。

Dec, 2020

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

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

本文首次提出了一种自我监督的对抗训练机制，在输入空间中防御对抗性攻击，并提供极大的鲁棒性，可以作为即插即用的解决方案来保护各种视觉系统，包括分类、分割和检测，同时极大降低了未知攻击的成功率。

Jun, 2020

通过对对抗样本的数据增广训练神经网络模型，以提高模型的抗干扰性，并发现通过将小型模型构成的集成模型一起进行对抗训练相比使用单个大模型的训练更有效。而重点在于对整个集成模型的对抗训练，而不是只对每个模型进行对抗训练。

Nov, 2018

本文介绍了一个使用对抗学习进行机器人控制和规划的新框架，展示了该方法能够更好地训练机器人抓取模型并比合作式多机器人更加有效。

Oct, 2016

以自动驾驶为背景，综述了现有的集体感知数据集，并分类分析了基于不同标准如传感器模式、环境条件和场景多样性的车车及车基础设施数据集，旨在确定数据集的关键标准和呈现其优势、缺陷和异常，最终针对集体三维物体检测、跟踪和语义分割提供了推荐。

May, 2024