本文提出了第一个大规模的开放式模拟数据集，其中包含超过70个有趣的场景，11464帧和232913标注的三维车辆边界框，以及一个用于评估多种信息融合策略的综合基准测试。同时，作者还提议了一种新的注意力中间融合管道，以聚合来自多个连接车辆的信息，证明该管道即使在大压缩率下也能实现优秀的性能。

Sep, 2021

本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合，以及在车辆感知中的数据集、度量、挑战和开放性问题，这些元素对于提高自动驾驶系统的普及率具有重要意义。

Mar, 2023

本文提出了一种通过匹配抽象感知矩阵和移动高度混合中继确定程序来解决联合感知中无视野问题的方案，以提高车联网通信的效率和性能。

Jul, 2023

车联网自动驾驶开辟了发展新一代智能交通系统的有前途的方向。合作感知作为实现车联网的必要组成部分，能够克服个体感知的固有局限，包括遮挡和远程感知。我们对车联网场景下的合作感知方法进行了全面的综述，为该领域提供了深入的理解和了解。

Aug, 2023

通过可微分的多传感器卡尔曼滤波器，本文提出了一种新颖的用于自动驾驶的3D多目标合作追踪算法，该算法学习估计每个检测的测量不确定性，以更好地利用卡尔曼滤波器追踪方法的理论属性，实验结果表明，与V2V4Real中的最新方法相比，我们的算法提高了17%的追踪准确性，且仅有0.037倍的通信成本。

Sep, 2023

自动驾驶中准确的感知是推动该领域发展并解决安全挑战的关键。新兴的基于车联网技术的合作感知被提出作为一种解决方案，以克服当前感知方法在复杂真实交通环境中遇到的困难，并提升驾驶自动化系统的性能。本文通过全面综述合作感知技术的演进，并重点关注与车联网通信技术相关的最新研究，提出了一个当代通用框架来说明基于车联网的合作感知工作流程，分析了当前所解决的关键问题并进行了文献综述，最后探讨了自动驾驶中感知和车联网通信发展所面临的挑战和未来方向。

Oct, 2023

车辆到一切 (V2X) 感知是一种创新技术，提高了车辆感知的准确性，从而提升了自动系统的安全性和可靠性。然而，现有的V2X感知方法主要集中在基于车辆视觉的静态场景，受传感器能力和通信负载的限制。为了适应动态场景，我们提出了一种从道路到车辆视觉的自适应V2X感知方法 (AR2VP)。在AR2VP中，我们利用路边单元提供稳定的广域感知能力，并作为通信中心。AR2VP旨在应对场景内变化和场景间变化的挑战。我们构建了一个动态感知表示模块，高效集成了车辆感知，使车辆能够对场景中更全面的动态因素进行捕捉。此外，我们引入了一个从道路到车辆感知的补偿模块，旨在在场景内变化的情况下保留最大化的路边单元感知信息。对于场景间变化，我们实现了一种利用路边单元的存储能力进行经验回放的机制，以保持模型对场景变化的鲁棒性。我们在3D物体检测和分割上进行了感知实验，结果显示AR2VP在性能带宽平衡和适应性方面表现出色。

Oct, 2023

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

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

本研究解决了现有V2X协同感知数据集中可沟通代理数量少和合成数据集仅覆盖车辆的问题，同时关注了连接和自动化车辆的渗透率不足。我们提出的Multi-V2X数据集通过共模拟SUMO与CARLA，提供多种渗透率的丰富传感数据，包含549k RGB帧、146k LiDAR帧及4219k标注的3D边界框，支持更高的协作对象选择和3D目标检测任务。

Sep, 2024