面向车联网的边缘化协作目标检测
机器人学
2025-09-25 v1 人工智能
计算机视觉与模式识别
多智能体系统
网络与互联网体系结构
摘要
准确可靠的目标检测是确保连接自主车辆（CAV）安全和效率的关键。传统的车载感知系统因遮挡和视野盲区而受限于准确度，而云端解决方案则引入显著延迟，难以满足自主驾驶在动态环境中对实时处理需求。为此，我们提出一种创新框架，即 Edge-Enabled Collaborative Object Detection（ECOD），用于 CAV，利用边缘计算和多 CAV 协作实现实时、多视角目标检测。我们的 ECOD 框架集成了两个关键算法：Perceptive Aggregation and Collaborative Estimation（PACE）和 Variable Object Tally and Evaluation（VOTE）。PACE 在边缘服务器上聚合来自多个 CAV 的检测数据，以增强在单个 CAV 可见性有限的场景中的感知。VOTE 采用基于共识的投票机制整合来自多个 CAV 的数据，以提高目标分类准确度。两个算法均在边缘端设计，可实现实时运行，确保为 CAV 提供低延迟和可靠的决策。我们开发了由配备摄像头的机器人 CAV 和边缘服务器构成的硬件控制测试平台，以评估框架的有效性。我们的实验结果表明，ECOD 在目标分类准确度方面显著优于传统单视角车载方法，提升幅度最高可达 75%，同时确保了边缘化的低延迟实时处理。该研究凸显了边缘计算在面向延迟敏感型自主系统的协作感知中的潜力。
引用
@article{arxiv.2506.06474,
title = {Edge-Enabled Collaborative Object Detection for Real-Time Multi-Vehicle Perception},
author = {Everett Richards and Bipul Thapa and Lena Mashayekhy},
journal= {arXiv preprint arXiv:2506.06474},
year = {2025}
}
备注
This paper has been accepted to IEEE EDGE 2025. The final version will be published in IEEE Xplore later this year