GT-Space：基于 ground truth 特征空间增强异构协作感知
机器学习
2026-03-23 v1 人工智能
摘要
在自动驾驶中，多智能体协作感知通过使智能体共享感知数据来增强感知能力。一个关键挑战在于处理来自不同感知模态或模型架构的异构特征，这会使数据融合复杂化。现有方法通常需要重新训练编码器或为两两特征对齐设计解释器模块，但这些解决方案在实际中不可扩展。为此，我们提出 GT-Space，一个灵活且可扩展的异构智能体协作感知框架。GT-Space 从 ground truth 标签构建常见特征空间，为特征对齐提供统一参考。有了这一共享空间，智能体只需一个适配器模块即可投影其特征，无需与其他智能体进行两两交互。此外，我们设计了一个在 diverse modality 组合上进行对比学习训练的融合网络。对仿真数据集（OPV2V 和 V2XSet）和一个真实世界数据集（RCooper）进行的广泛实验表明，GT-Space 在检测准确率上 consistently 优于基线，同时提供稳健的性能。我们的代码将在 https://github.com/KingScar/GT-Space 上发布。
关键词
引用
@article{arxiv.2603.19307,
title = {Exploring Subnetwork Interactions in Heterogeneous Brain Network via Prior-Informed Graph Learning},
author = {Siyu Liu and Guangqi Wen and Peng Cao and Jinzhu Yang and Xiaoli Liu and Fei Wang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2603.19307},
year = {2026}
}