V2X-M2C:高效双连接多模块协同感知
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
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
提出了空间置信图概念,以实现基于多智能体协同感知的通信高效性,使智能体在信息共享时只传递关键的感知信息,优化感知性能,并可自适应调整传输空间区域以应对不同的通信带宽。在多个数据集上的3D物体检测任务中,Where2comm算法分别以不同的传感器类型和车辆类型获得了优异的性能,并在通信体积方面实现了大幅度降低。
Sep, 2022
本文提出了一种去中心化的协作感知方法,基于Deep Reinforcement Learning算法,学习一种反向通讯策略,只请求未知信息,最终实现交通物品的最大化感知和最小化信息交流成本的平衡调整。
Dec, 2022
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
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
自动驾驶引起学术界和工业界的广泛关注,但目前的自动驾驶系统大多基于单一车辆,存在较大限制,可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战,如数据共享异步性、数据量和姿态误差等。然后,我们讨论了使用各种技术解决这些挑战的可能方法,并阐述了相关的研究机会。此外,我们提出了一种应对通信效率和延迟问题的方案,即一种通道感知的协作感知框架,通过动态调整通信图并减小延迟,提高感知性能和通信效率。最后,我们进行实验证明了我们提出方案的有效性。
Jan, 2024
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
协作车辆到所有感知任务通过邻近交通代理之间的消息通信提高各个车辆的感知能力。我们提出了一种全新的消息单元,即点簇,并建立了协作感知的新框架V2X-PC,以解决稠密表示中的目标特征破坏、长距离协作中的信息聚合效率和隐含结构表示通信的问题。通过在两个被广泛认可的协作感知基准上进行实验,我们展示了我们方法相对于依赖于BEV地图的先前最先进方法的优越性能。
Mar, 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