自动驾驶引起学术界和工业界的广泛关注，但目前的自动驾驶系统大多基于单一车辆，存在较大限制，可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战，如数据共享异步性、数据量和姿态误差等。然后，我们讨论了使用各种技术解决这些挑战的可能方法，并阐述了相关的研究机会。此外，我们提出了一种应对通信效率和延迟问题的方案，即一种通道感知的协作感知框架，通过动态调整通信图并减小延迟，提高感知性能和通信效率。最后，我们进行实验证明了我们提出方案的有效性。

Jan, 2024

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

SmartCooper 是一个自适应协同感知框架，结合了通信优化和判决机制，以提高车辆之间的连接性和共享感知数据的质量。在 OpenCOOD 平台上的评估结果显示，相比非判决方案，我们的算法成功降低了 23.10% 的通信成本，并将 Intersection over Union (IoU) 的平均精度 (AP@IoU) 提高了 7.15%。

Feb, 2024

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

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

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

我们提出了一种统一的域泛化框架，通过在训练和推断阶段引入振幅增强和一致性训练方案，旨在解决协作感知系统中的域漂移和域差异问题，并通过广泛实验证明了其有效性。

Nov, 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

本文提出了以 SCOPE 为基础的协同感知框架，通过聚合不同道路代理的时空感知特征，以连续的方式显著提高自主车辆的感知性能。实验结果展示了我们方法的优越性和所提出组件的必要性。

Jul, 2023