V2X-DGW：恶劣天气条件下多智能体感知的领域泛化
计算机视觉与模式识别
2025-03-21 v6
摘要
当前基于LiDAR的Vehicle-to-Everything（V2X）多智能体感知系统在3D目标检测方面取得了显著成功。虽然这些模型在训练的晴好天气中表现良好，但在存在领域差距的未见恶劣天气条件下表现不佳。在本文中，我们提出了一种基于领域泛化的方法，命名为V2X-DGW，用于恶劣天气条件下多智能体感知系统中基于LiDAR的3D目标检测。我们的研究旨在仅通过在晴好天气数据上学习，不仅保持在晴好天气中良好的多智能体性能，还提升在未见恶劣天气条件下的性能。为了实现领域泛化，我们首先引入自适应天气增强（AWA）来模拟未见的恶劣天气条件，然后提出了两种用于可泛化表示学习的对齐方法：信赖域天气不变对齐（TWA）和智能体感知对比对齐（ACA）。为了评估这项研究，我们基于物理模型在两个公开的多智能体数据集上添加了雾、雨、雪条件，生成了两个新数据集：OPV2V-w和V2XSet-w。大量实验表明，我们的V2X-DGW在未见恶劣天气下取得了显著改进。代码可在 https://github.com/Baolu1998/V2X-DGW 获取。
引用
@article{arxiv.2403.11371,
title = {V2X-DGW: Domain Generalization for Multi-agent Perception under Adverse Weather Conditions},
author = {Baolu Li and Jinlong Li and Xinyu Liu and Runsheng Xu and Zhengzhong Tu and Jiacheng Guo and Xiaopeng Li and Hongkai Yu},
journal= {arXiv preprint arXiv:2403.11371},
year = {2025}
}
备注
accepted by ICRA 2025