基于风险-意图选择的车-基础设施协作 3D 目标检测高效化
计算机视觉与模式识别
2026-01-07 v1
摘要
车-基础设施协作感知 (VICP) 是解决自动驾驶遮挡问题的关键，但在通信带宽和特征冗余之间仍面临严峻挑战。虽然中间融合可降低数据量，相较于原始共享，但现有框架通常依赖空间压缩或静态置信度图，这些方法不高效地传输来自非关键背景区域的空间上冗余的特征。为此，我们提出风险-意图选择检测 (RiSe)，一种基于交互感知的框架，构建性地将范式从识别可见区域转向优先识别风险关键区域。具体而言，我们引入基于势场理论的潜在场-轨迹相关模型 (PTCM)，用于定量评估运动学风险。此外，我们引入意图驱动区域预测模块 (IDAPM)，利用自身运动先验主动预测和筛选关键鸟瞰图 (BEV) 区域。通过整合这些组件，RiSe 实现了语义选择性融合方案，只传输来自高互动区域的高保真特征，有效充当特征去噪器。大量实验表明，我们的方法在保持 state-of-the-art 检测精度的同时，将通信量降低至 0.71%，建立了带宽效率与感知性能之间的竞争性 Pareto 前沿。
引用
@article{arxiv.2601.03001,
title = {Towards Efficient 3D Object Detection for Vehicle-Infrastructure Collaboration via Risk-Intent Selection},
author = {Li Wang and Boqi Li and Hang Chen and Xingjian Wu and Yichen Wang and Jiewen Tan and Xinyu Zhang and Huaping Liu},
journal= {arXiv preprint arXiv:2601.03001},
year = {2026}
}