有损通信下的车车协同感知学习
计算机视觉与模式识别
2023-03-23 v2 人工智能
机器学习
摘要
深度学习已广泛应用于智能车辆驾驶的感知（例如 3D 目标检测）中。得益于有益的 Vehicle-to-Vehicle (V2V) 通信，来自其他智能体的深度学习特征可以共享给本车，从而提升本车的感知能力。这在 V2V 研究中被称为协同感知，其算法近期已取得显著进展。然而，所有现有的协同感知算法均假设 V2V 通信是理想的，未考虑复杂真实驾驶场景中常见的有损通信（LC）可能导致的共享特征有损问题。在本文中，我们首先研究了有损通信在 V2V 协同感知中产生的副作用（例如检测性能下降），然后提出了一种新颖的中间层 LC 感知特征融合方法，通过 LC 感知修复网络（LCRN）来减轻有损通信的副作用，并通过专门设计的 V2V 注意力模块（V2VAM）增强本车与其他车辆之间的交互，该模块包括本车的车内注意力以及不确定性感知的车间注意力。在公共协同感知数据集 OPV2V（基于数字孪生 CARLA 模拟器）上的大量实验表明，所提出的方法在有损 V2V 通信下的协同点云 3D 目标检测中非常有效。
引用
@article{arxiv.2212.08273,
title = {Learning for Vehicle-to-Vehicle Cooperative Perception under Lossy Communication},
author = {Jinlong Li and Runsheng Xu and Xinyu Liu and Jin Ma and Zicheng Chi and Jiaqi Ma and Hongkai Yu},
journal= {arXiv preprint arXiv:2212.08273},
year = {2023}
}
备注
this paper was accepted by IEEE Transactions on Intelligent Vehicles