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

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

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

本文研究了车路一体化（V2X）通信在提高自动驾驶车辆感知性能方面的应用，并提出了一种基于 V2X 通信的健壮的协作感知框架，使用一种新颖的视觉 Transformer。使用大规模的 V2X 感知数据集，在海量实验中表明 V2X-ViT 能够在 3D 物体检测中取得 state-of-the-art 的表现，并且即使在恶劣嘈杂的环境下具有稳健的性能。

Mar, 2022

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

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

利用 V2X 通信通过合作利用自车和基础设施传感器数据已成为对于先进自主驾驶的一种有希望的方法。本文介绍 UniV2X，一个开创性的合作自主驾驶框架，将所有关键驾驶模块无缝集成到一个统一的网络中，并提出了一种稀疏稠密混合数据传输和融合机制，以有效地实现车辆和基础设施的合作。实验结果表明 UniV2X 在显著提高规划性能和所有中间输出性能方面的有效性。

Mar, 2024

V2X 合作是促进自动驾驶技术发展的关键方法之一，本文引入了 UniE2EV2X 框架，它通过融合车辆和基础设施的传感器数据，集成关键的驾驶模块，采用可变形的注意力数据融合策略，显著提升事故预测的准确性和端到端感知能力，解决了现有研究主要集中在感知准确性上而忽视系统化提升事故预测准确性和安全性的问题。

May, 2024