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

该论文提出了一种基于激光雷达和车联网技术的端到端自动驾驶方法 (V2X-Lead)，以解决在混合自治交通条件下导航不规范的城市场景的挑战。该方法通过融合车载激光雷达传感器和 V2X 通信数据来处理不完整的局部观测。采用无模型和离策略深度强化学习 (DRL) 算法训练驾驶代理，该算法结合精心设计的奖励函数和多任务学习技术，提高不同驾驶任务和场景之间的泛化能力。实验结果表明，该方法在混合自治交通下通过无信号交叉口的任务中提高了安全性和效率，并在之前未见过的场景 (如环状交叉口) 中具有泛化能力。V2X 通信的集成为自动驾驶车辆 (AVs) 提供了一个重要的数据源，使其能够在车辆感知上超越车载传感器，从而实现更准确、更全面的驾驶环境感知和更安全、更稳健的驾驶行为。

Sep, 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在线学习的算法，将感知共享传感器的能量最小化作为多臂老虎机问题的一个变体来考虑，以实现基于裸眼级联感知的自动车辆协作，结果表明所提出的算法可以快速学习调度最优协作车辆并节约更多能源。

Feb, 2022

车联网自动驾驶开辟了发展新一代智能交通系统的有前途的方向。合作感知作为实现车联网的必要组成部分，能够克服个体感知的固有局限，包括遮挡和远程感知。我们对车联网场景下的合作感知方法进行了全面的综述，为该领域提供了深入的理解和了解。

Aug, 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