提出了一种新颖的自定位协同感知系统 CoBEVGlue，它通过有效匹配跨代理间的共可见对象，实现更全面、更稳健的协同感知，无需使用外部定位系统。CoBEVGlue 的核心是一个新颖的空间对齐模块，它提供了代理间的相对位姿，从而验证了我们的方法在真实和模拟数据集上的有效性。结果表明，CoBEVGlue 在任意定位噪声和攻击下取得了最先进的检测性能，并且空间对齐模块能够无缝集成大部分先前的方法，并将其性能提升了平均 57.7%。

Jun, 2024

该论文提出了一种机器学习视角下的首个延迟感知的协同感知系统，通过使用 SyncNet，着重于实现异步感知特征的特征级同步来提高协作的鲁棒性和效果，并证明了该方法在通讯延迟场景下优于现有的协同感知方法，且在严重延迟情况下，协同感知仍优于单个智能体感知。

Jul, 2022

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

从单个图像中估计相对于全局框架的六自由度相机姿态的问题，我们提出了一种利用相对空间和时间几何约束的新颖网络来引导定位的深度网络的训练方法。利用相邻相机帧和场景中时空距离较远的相机帧获得的空间和时间相对姿态约束，我们的方法能够学习到在只有少量或非常稀疏的地面真实 3D 坐标可用的情况下进行定位。我们在三个常见的视觉定位数据集上评估了我们的方法，并证明其优于其他直接姿态估计方法。

Dec, 2023

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

本文提出一种新的协同三维物体检测框架，通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度，同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析，证明了该方法可以在各种检测困难情况下节省通信和计算成本，并显著提高检测性能。

May, 2022

本文提出了一种细粒度的室外机器人自定位方法，利用可调数量的机载摄像头和易获取的卫星图像；该方法解决了现有的跨视角定位方法因移动物体和季节变化等噪声源的问题；通过从地面和卫星视图中检测一致的关键点和它们对应的深度特征，去除离地物体，并在两个视图之间建立同伦变换，该方式是第一个仅利用视觉的稀疏方法，以提高动态环境下的感知能力；此外，该方法采用空间嵌入方法，利用相机内外参数信息降低纯视觉匹配的歧义性，从而提高特征匹配和姿态估计的准确性。通过在 KITTI 和 Ford Multi-AV Seasonal 数据集上进行大量实验，证明了该方法优于现有的最先进方法，能够实现横向和纵向方向上低于 0.5 米的中位空间准确性误差，以及小于 2 度的中位方向准确性误差。

Aug, 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

通过鸟瞰流（BEV flow）对异步协同感知消息进行补偿，CoBEVFlow 提出了一种异步鲁棒的基于 3D 视觉感知系统，能够处理不规则、连续时间戳的协同感知消息，而不需要离散化，并且只传输原始感知特征而不引入额外噪音，通过在 IRV2V 和 DAIR-V2X 数据集上的大量实验证明了 CoBEVFlow 的有效性和对极端异步情况的鲁棒性。

Sep, 2023