CoDynTrust：基于动态特征信任模的鲁棒异步协作感知
计算机视觉与模式识别
2025-02-13 v1
摘要
协作感知通过融合来自多个智能体的信息可扩展感知范围，从而提高感知性能。然而，由于通信延迟、时钟错位或采样配置差异，实际环境中的时间异步性会导致信息不匹配。如果未妥善处理此问题，协作性能将不稳定，甚至可能引发安全事故。为解决这一挑战，我们提出CoDynTrust，一种针对时间异步性引起的信息不匹配而构建的不确定性编码的异步融合感知框架，具有鲁棒性。CoDynTrust通过建模Aleatoric不确定性和Epistemic不确定性，并对单车特征进行选择性抑制或保留，从而为每个感兴趣区域生成动态特征信任模（DFTM），从而缓解信息不匹配。我们随后设计了多尺度融合模块以处理经DFTM处理的多尺度特征图。与现有方法相比，CoDynTrust能抵御时间异步场景中的各种低质量信息，并允许不确定性传递至规划和控制等下游任务。实验结果表明，CoDynTrust在多个数据集上显著降低了时间异步性导致的性能下降，甚至在时间异步情况下也实现了最先进的检测性能。代码已公开于https://github.com/CrazyShout/CoDynTrust。
引用
@article{arxiv.2502.08169,
title = {CoDynTrust: Robust Asynchronous Collaborative Perception via Dynamic Feature Trust Modulus},
author = {Yunjiang Xu and Lingzhi Li and Jin Wang and Benyuan Yang and Zhiwen Wu and Xinhong Chen and Jianping Wang},
journal= {arXiv preprint arXiv:2502.08169},
year = {2025}
}
备注
7 pages, 5 figures, conference