CoopTrack：探索用于高效协同时序感知的端到端学习
计算机视觉与模式识别
2025-07-28 v1
摘要
协同感知旨在通过多智能体间的信息交换来解决单车自动驾驶系统固有的局限性。先前的研究主要集中在单帧感知任务上。然而，更具挑战性的协同时序感知任务，例如协同3D多目标跟踪，尚未得到深入研究。因此，我们提出了CoopTrack，一个完全基于实例级别的端到端协同跟踪框架，具有可学习的实例关联，这与现有方法有根本不同。CoopTrack传输稀疏的实例级特征，在保持低传输成本的同时显著增强感知能力。此外，该框架包含两个关键组件：多维特征提取，以及跨智能体关联与聚合，它们共同实现了包含语义和运动特征的全面实例表示，以及基于特征图的自适应跨智能体关联与融合。在V2X-Seq和Griffin数据集上的实验表明，CoopTrack取得了优异的性能。具体来说，它在V2X-Seq上达到了最先进的结果，mAP为39.0%，AMOTA为32.8%。该项目可在https://github.com/zhongjiaru/CoopTrack获取。
引用
@article{arxiv.2507.19239,
title = {CoopTrack: Exploring End-to-End Learning for Efficient Cooperative Sequential Perception},
author = {Jiaru Zhong and Jiahao Wang and Jiahui Xu and Xiaofan Li and Zaiqing Nie and Haibao Yu},
journal= {arXiv preprint arXiv:2507.19239},
year = {2025}
}
备注
Accepted by ICCV 2025 (Highlight)