合作感知技术对提升自主车辆能力和道路安全具有多方面的好处，使用路侧传感器以及车载传感器可以提高可靠性和扩展传感器范围。我们提出了一种合作多模态融合模型 CoopDet3D 和感知数据集 TUMTraf-V2X，用于合作式三维物体检测和跟踪任务。通过多次实验，我们证明了相对于车载摄像头 - LiDAR 融合模型，我们的 CoopDet3D 摄像头 - LiDAR 融合模型在三维 mAP 上实现了 + 14.36 的提高。最后，我们将我们的数据集、模型、标注工具和开发套件公开发布在我们的网站上。

Mar, 2024

本文介绍了 V2V4Real 多模态数据集和近期合作感知算法在三项任务上的全面基准测试。通过两辆车行驶，由多模态传感器收集数据，该数据集包括 20K LiDAR 帧、40K RGB 帧、240K 5 类三维边界框的标注和覆盖所有行驶路线的 HDMaps。该数据集对协作 3D 物体检测、协作 3D 物体跟踪和 Sim2Real 领域自适应合作感知等三个任务提出了需要解决的问题。

Mar, 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

本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

借助 LiDAR 3D 点云技术，基于来自联网汽车不同位置和角度的传感器数据融合，提出一种基于点云的 3D 物体检测方法，拓展感知区域、提高检测准确性、促进增强结果，同时通过现有的车联网技术，可实现利用点云数据进行协同感知。

May, 2019

本文介绍了第一个用于道路侧面感知任务的高多样性 Rope3D 3D 数据集，其中包括超过 1.5M 3D 物体，同时提出利用几何约束来解决各种传感器和视角引起的固有模糊，并针对现有的前视单眼 3D 目标检测方法进行了改进。

Mar, 2022

通过利用激光雷达技术与数据融合算法，实现车路协同的共享与组合，提高自动驾驶系统的感知范围、补充盲区、提高感知精度，以促进自动驾驶技术的发展并实现车路一体化。同时，设计测试场景，证明了车路协同自动驾驶与单车自动驾驶相比的优势。

Aug, 2022

在 RoScenes 中介绍了最大的多视角路边感知数据集，旨在为更具挑战性的交通场景的视觉中心 Bird's Eye View (BEV) 方法的发展提供参考。RoScenes 的亮点包括显着大的感知区域、完整的场景覆盖和拥挤的交通。通过 BEV-to-3D 联合注释流水线，我们以高效的方式收集了大量数据，达到了令人惊讶的 2113 万个 3D 注释。此外，我们还针对 RoScenes 上当前的 BEV 方法进行了全面的研究，考察了效果和效率。在大范围感知区域和场景间传感器布局变化的情况下，现有方法的性能未达到预期。因此，我们提出了 RoBEV，其结合了特征引导的位置嵌入，以实现有效的 2D-3D 特征分配。在验证集上，我们的方法在不增加额外计算负担的情况下，大幅领先于最先进方法。我们的数据集和开发工具包将在 https://github.com/xiaosu-zhu/RoScenes 上提供。

May, 2024

过去十年中，虽然单一机器人感知取得了重大进展，但多机器人协同感知的研究仍未被广泛探索。本文提出了一个开创性的全面真实世界的多机器人协同感知数据集，用于推动这一领域的研究。我们的数据集利用了空中 - 地面机器人协同的未发掘潜力，具有不同的空间视角、互补的机器人移动性、覆盖范围和传感器模态。它提供了原始传感器输入、姿态估计和可选的高级感知注释，以适应各种研究兴趣。与现有主要设计用于同时定位和地图构建（SLAM）的数据集相比，我们的设置确保了多样化的传感器视角范围和足够的重叠以促进多机器人协同感知算法的研究。我们通过多个协同感知任务定性地证明了这个数据集的价值。我们相信这项工作将在多模态协同感知中解锁高级场景理解的潜在研究。

May, 2024

提出面向智能互联汽车的点云特征协同感知框架 (F-Cooper)，通过特征融合，实现了目标检测精度的提升，并在进行实时边缘计算的同时，避免了网络拥塞和通信延迟的问题。

Sep, 2019