发布了第一个用于车路协同自动驾驶的真实场景多模态多视角数据集 DAIR-V2X，其中包括 71254 帧 LiDAR 和摄像头帧，是解决车路协同 3D 物体检测问题的一个基准，并提出了延迟融合框架 TCLF。

Apr, 2022

通过提出一种多视角车路协同感知系统（V2X-AHD），利用不同的训练数据提高轮廓识别的准确性，并借助多头自注意力（MSA）融合单视角特征，从而有效提高 3D 物体检测的准确性和降低网络参数数量。

Oct, 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

通过利用虚拟数据来处理自动驾驶的数据合并问题，并通过 DU-drive 实现了端到端自动驾驶的无监督域融合框架，达到了更好的性能表现和解释能力。

Jan, 2018

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

车联网 (V2X) 的协作感知对于自动驾驶至关重要。然而，实现高精度的 V2X 感知需要大量的真实世界数据进行标注，这往往昂贵且难以获取。模拟数据因其可大规模低成本生成而备受关注。然而，模拟数据与真实世界数据之间存在显著的领域差异，包括传感器类型、反射模式和道路环境差异，导致在真实世界数据上评估的模型性能较差。为了充分利用模拟数据，我们提出了一种新的无监督 sim2real 领域适应方法，名为 Decoupled Unsupervised Sim2Real Adaptation (DUSA)。我们的新方法将 V2X 协作 sim2real 领域适应问题分解为两个子问题：sim2real 领域适应和协同代理适应。通过针对 sim2real 领域适应，设计了一种自适应聚合特征的位置适应型 Sim2Real Adapter (LSA) 模块，通过聚合全局特征上的模拟 / 真实判别器来调整来自特征图的关键位置的特征，并对模拟数据和真实世界数据之间的特征进行对齐。针对协同代理适应，我们进一步设计了一种自信度感知的协同代理 Adapter (CIA) 模块，通过代理自信度图的引导来调整异构代理的细粒度特征。实验证明了所提出的 DUSA 方法在从模拟 V2XSet 数据集到真实世界 DAIR-V2X-C 数据集的无监督 sim2real 领域适应任务中的有效性。

Oct, 2023

本文介绍一种新的通过点云序列检测车辆 3D 物体的方法，采用 LiDAR 传感器解决阴影效应与 HD 地图配合，并使用 V2X 通信技术提高车辆感知性能，同时优化带宽性能.

Jul, 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

我们提出了一个具有多模态传感数据的数据集，以促进车辆与智能基础设施之间的协作感知发展，并通过合作感知方法的综合多类多智能体评估来支持研究。

Mar, 2024

通过开发虚拟数据集 V2U-COO，设计跨领域自适应模块 CDCA 以及协同深度优化模块 CDO，本文提出了一种专门用于空中 - 地面协同感知的框架，并在虚拟数据集和公共数据集上进行了广泛实验证明了其有效性，使检测准确率分别提高了 6.1% 和 2.7%。

Jun, 2024