BOLT：面向无需预准备的异构协同感知的在线轻量级自适应
计算机视觉与模式识别
2026-05-04 v1
摘要
大多数现有的异构协同感知方法依赖于先期准备，如离线联合训练或定制的协作者模型自适应。然而，这种预处理在实际场景中通常不切实际，因为智能体通常由不同的开发者独立训练，并且偶尔在线相遇。这项工作研究了无需预准备的异构协同感知，其中智能体使用独立训练的单一智能体检测器，无需任何部署前的协调。我们发现，在这种设置下，直接的跨智能体融合性能远低于仅自我感知。我们提出了BOLT，一个轻量级的即插即用模块，通过以自我为教师的蒸馏在线自适应邻居特征，仅需要自我预测而无需真实标签。BOLT利用高置信度的自我感知特征来指导跨智能体特征域对齐，同时使邻居能够在自我低置信度区域贡献特征。仅用0.9M可训练参数，BOLT在无需预准备设置下，AP@50比未经自适应的原始融合提高了多达32.3个百分点。它在DAIR-V2X和OPV2V上，跨不同的编码器对和融合策略，持续优于仅自我感知的结果。代码：https://github.com/sidiangongyuan/BOLT。
引用
@article{arxiv.2605.00405,
title = {BOLT: Online Lightweight Adaptation for Preparation-Free Heterogeneous Cooperative Perception},
author = {Kang Yang and Tianci Bu and Peng Wang and Deying Li and Yongcai Wang},
journal= {arXiv preprint arXiv:2605.00405},
year = {2026}
}
备注
21 pages, 10 figures, 10tables