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

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

该研究提出了一种新型的多智能体异态合作感知框架，名为 HM-ViT，可以在异构传感器模态下协同预测高度动态的自动驾驶交通中的三维物体。实验证明 HM-ViT 相比先前的合作感知方法具有更好的效果。

Apr, 2023

通过建立基于 ProcTHOR-10K 数据集的异构多智能体整理任务，本研究提出了一种基于错位物体检测、合理容器预测以及基于握手的群组通信机制的分层决策模型，通过大量实验证明了所提模型的有效性。

Jul, 2023

本文提出一个学习通信组和决定何时通信的通信框架，可以在两种不同的感知任务上展示其广泛适用性，并显示它显著减少了通信带宽并保持了优异的性能。

May, 2020

开发下一代智能 LiDAR 的新框架，并在实验平台 DAWN 上构建硬件原型，强调物理空间和数字空间在 LiDAR 系统中的紧密集成，其中网络是其支持的核心特性之一，通过使用 OpenCDA 和 RLS 构建异构 LiDAR 数据集 OPV2V-HPL，并提出 HPL-ViT 架构用于异构和动态场景中的稳健特征融合，通过在 OPV2V-HPL 上进行广泛实验验证，HPL-ViT 在所有设置中实现了 SOTA 性能，并展现出出色的泛化能力。

Sep, 2023

由于有效减少遮挡并扩展视野，群体感知近年来引起了广泛关注，从而提高可靠性、效率和决策安全性。本文提出了一种基于代理的训练框架，通过将深度学习模块和代理数据分开处理，实现了更清晰的数据流结构，既提供了用于灵活原型化数据处理流程和定义每个代理的梯度计算的 API，又提供了与用户交互式训练、测试和数据可视化的界面。在突出的群体感知基准 OPV2V 上，通过四个群体目标检测模型的训练实验结果表明，基于代理的训练可以显著减少 GPU 内存消耗和训练时间，并保持推理性能。

Apr, 2024

通过引入 Feature Distribution-aware Aggregation (FDA) 框架以缓解多智能体感知中的分布差异，本论文全面探讨了分布差异对现有多智能体感知系统的影响，并通过在公共 OPV2V 和 V2XSet 数据集上进行的大量实验验证了 FDA 在基于点云的 3D 目标检测中的有效性，将其视为现有多智能体感知系统中无价的增强手段。

Feb, 2024

本研究提出了一种基于注意力机制的图形卷积网络作为中间的协作感知解决方案，通过该方法实现了信息聚合并提高了物体检测精度，同时减少了网络资源的使用，有效地解决了智能交通系统中的协作感知问题。

May, 2023

该论文介绍了一个概念简单、有效且通信高效的多智能体合作感知模型 CORE。它通过合作重构的新颖视角来完成任务，基于两个关键见解：1）合作智能体共同提供环境的整体观察，2）整体观察可以作为有价值的监督来指导模型学习如何基于协作重构理想观察。CORE 通过三个主要组件来实现这一想法：为每个智能体创建更紧凑的特征表示以实现高效广播的压缩器，用于跨智能体消息聚合的轻量级关注协作组件，以及基于聚合特征表示来重构观察的重构模块。这种学习重构的思想与任务无关，并提供明确合理的监督来激发更有效的协作，从而促进感知任务。我们在 OPV2V 上验证了 CORE，在 3D 目标检测和语义分割两个任务上，结果表明该模型在两个任务上达到了最先进的性能，并且更具通信高效性。

Jul, 2023