打破数据孤岛：基于独立私有源的多智能体感知跨域学习

多智能体感知系统中的不同智能体可能来自不同的公司。每家公司可能使用相同的经典神经网络架构编码器进行特征提取。然而，用于训练不同智能体的数据源在每家公司中都是独立且私有的，导致多智能体感知系统中训练不同智能体的私有数据存在分布差距（Distribution Gap）。上述分布差距造成的数据孤岛可能导致多智能体感知性能显著下降。在本文中，我们彻底 examined 了分布差距对现有系统的影响。为了打破数据孤岛，我们引入了特征分布感知聚合（Feature Distribution-aware Aggregation, FDA）框架用于跨域学习，以缓解多智能体感知中的上述分布差距。FDA 包含两个关键组件：可学习特征补偿模块和分布感知统计一致性模块，两者旨在增强中间特征以最小化多智能体特征间的分布差距。在公共 OPV2V 和 V2XSet 数据集上的大量实验强调了 FDA 在基于点云的 3D 目标检测中的有效性，使其成为现有系统不可或缺的增强手段。