Dec, 2023

自我监督的自适应权重在 V2V 通信中的合作感知

PDF
TL;DR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。
perceptioncooperative perceptionvehicle-to-vehicle communicationsadaptive weighting modelchannel distortion
发现论文，激发创造
  • 基于学习的车车通信的协同感知

    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

  • 车辆间协作感知丢包通信下的学习

    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

  • 智能协同：车载自适应融合感知与判决机制

    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

  • 端到端自动驾驶合作感知的选择性通信

    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

  • 面向 V2X 通信的中断感知协作感知技术在自动驾驶中的应用

    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

  • 利用不完美通信的增强协同感知自动驾驶车辆

    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

  • 在线原始级别协作感知的 V2X 调度

    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

  • V2VNet: 车辆间通信用于联合感知和预测

    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

  • COOPERNAUT：网络车辆协作感知的端到端驾驶

    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

  • 面向连接和自动化车辆的合作感知消息生成

    本文探讨车辆如何使用 V2X 通信交换信息以实现集体感知，介绍了 ETSI 关于集体感知规则的提议，并提出了改进算法以提高 V2X 通信可靠性和 CAVs 的感知。

    Aug, 2019