V2X 合作是促进自动驾驶技术发展的关键方法之一，本文引入了 UniE2EV2X 框架，它通过融合车辆和基础设施的传感器数据，集成关键的驾驶模块，采用可变形的注意力数据融合策略，显著提升事故预测的准确性和端到端感知能力，解决了现有研究主要集中在感知准确性上而忽视系统化提升事故预测准确性和安全性的问题。

May, 2024

车辆对一切辅助自动驾驶（V2X-AD）具有巨大潜力，目前尚未充分探索利用基础设施和通信资源来提高驾驶性能，因此，本研究介绍了一个充分整合 V2X 通信的协同驾驶系统 CoDriving，通过改进信息共享策略以提高驾驶性能，并在研究中利用 V2Xverse 进行了专门设计的测试与评估。

Apr, 2024

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

该论文提出了一种基于激光雷达和车联网技术的端到端自动驾驶方法 (V2X-Lead)，以解决在混合自治交通条件下导航不规范的城市场景的挑战。该方法通过融合车载激光雷达传感器和 V2X 通信数据来处理不完整的局部观测。采用无模型和离策略深度强化学习 (DRL) 算法训练驾驶代理，该算法结合精心设计的奖励函数和多任务学习技术，提高不同驾驶任务和场景之间的泛化能力。实验结果表明，该方法在混合自治交通下通过无信号交叉口的任务中提高了安全性和效率，并在之前未见过的场景 (如环状交叉口) 中具有泛化能力。V2X 通信的集成为自动驾驶车辆 (AVs) 提供了一个重要的数据源，使其能够在车辆感知上超越车载传感器，从而实现更准确、更全面的驾驶环境感知和更安全、更稳健的驾驶行为。

Sep, 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

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

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

通过提出 V2X-Sim，一个完整的模拟多智能体感知数据集，本文试图为自动驾驶的协作式感知研究提供一个 benchmark，其中包含了多节点感知、多模态感知以及各种各样的真实解等任务，并为最前沿的协作式感知算法提供一个基准。

Feb, 2022

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

未来的自动驾驶车辆将使用各种传感器生成大量数据，该研究论文提出了一种联邦测量和学习系统，通过车辆间通信提供实时数据，并通过车辆到网络链接运行联邦学习方案来创建交通网络的预测模型。研究结果表明，该方案能够提高学习性能并防止聚合服务器侧的窃听。

Jan, 2024