- 博客(39)
- 收藏
- 关注
原创 基于贝叶斯的V2X通信传输数据的Trustworthiness估计
标签:Trustworthiness Estimation:V2X通信范围内的agent可能受到天气、故障或网络攻击的影响,导致传输的信息可能是由攻击者伪造的或者包含由故障引起的不一致的信息,使用通过V2X通信收到的错误信息可能会危及道路使用者的安全。因此,对错误数据的检测必不可少,需要评估所接收信息的可靠性和质量。
2023-03-04 21:59:52
560
1
原创 LC-aware:在Lossy Communication下基于LCRN和V2VAM的V2V协同感知(3D目标检测)
提出了一种基于中间协作的V2V协同目标检测方法,LC-aware修复网络(LCRN),是一个带有跳过连接的编码器-解码器结构,旨在生成一个张量的内核,用于恢复从协作车辆收到的受损特征。缓解有损通信的副作用;V2V attention模块(V2VAM),融合修复后的特征,加强自我车辆和其他车辆之间的互动,包括自我车辆的车内注意力和不确定性感知的车辆间注意力。通过车内注意力和不确定性意识的车际注意力,加强自我车辆和协作车辆之间的互动。
2023-02-12 00:48:53
646
原创 基于Iterative Closest Point和Optimal Transport Theory的鲁棒V2V协同感知(3D目标检测)
通过使用基于Iterative Closest Point(ICP)和Optimal Transport(OT)的融合算法,来增强协同感知框架对pose error的鲁棒性。基于ICP的匹配算法通过迭代优化找到Source点和target点之间的相对变换;但是,该方法对那些没有对应关系的点比较敏感,并且需要选择一个合适的neighbour search参数,直接影响到点云注册结果。
2023-02-11 21:33:39
365
原创 CoAlign:基于Agent-Object Pose Graph的鲁棒协同感知(3D Object Detection)
Pose Error;Intermediate Fusion;3D Object Detection;V2X; Hybrid Collaboration;Intermediate & Late collaboration;
2023-01-14 17:35:27
797
原创 基于against pose noise的V2V协同感知(3D Detection, Motion Forecasting)
提出的框架极大地提高了现实和严重的定位噪声下的多代理自驾游感知和运动预测系统的稳健性。在与原始V2VNet相同的设置下进行的评估表明,我们的模型在较大的平移和航向定位噪声下可以保持相同的性能水平,即使V2VNet是通过数据增强训练的,也会受到这种输入噪声的影响。提出了一个协同自动驾驶框架,该框架对V2V通信中的pose error具有鲁棒性。在未来,可利用传入信息中pose error的时间一致性来提高性能。目前考虑的pose噪声服从高斯分布,可能无法纠正更普遍的通信噪声类型。
2023-01-12 16:44:25
619
原创 MAMP:基于 model-agnostic 的V2V协同感知(3D目标检测)
在协同感知的背景下,来自不同利益相关的agent具有异质性的模型。为了保密起见,与模型和参数有关的信息不应透露给其他agent。本文提出了一个与模型无关model-agnostic协同感知框架,解决了后期融合策略的两个关键挑战。1.提出了一个置信度校准器,以统一不同agent的分类置信度分布,消除预测的置信度分数偏差。2.提出了一个边界框聚合算法,该算法同时考虑了校准的分类置信度和边界框回归给出的空间一致性信息。
2022-12-31 17:23:59
690
原创 MPDA:基于Domain Adaption的V2X协同感知(3D目标检测)
在协同感知中进行domain gap识别(空间分辨率、通道数量、模式),为解决这3个主要的特征差异问题,提出了一个Multi-agent Perception Domain Adaption(MPDA)框架,可在多个维度上对特征进行调整。提出了一个Learnable Feature Resizer,以自适应的方式更好地调整来自其他agent的空间和通道特征。提出了一个Sparse Cross-domain Transformer,可以有效地统一来自不同agent的特征模式。
2022-12-31 02:33:48
670
原创 基于路边基础设施LiDAR点云的车辆跟踪系统
提出了一种LiDAR数据处理过程,通过考虑车辆检测和车道识别设计了一个自动车辆跟踪系统,从路边设施LiDAR传感器中提取所有车辆的高精度高分辨率的轨迹,该过程包括背景过滤、DBSCAN聚类、RF分类、RGBC车道识别和GNN跟踪等方法。1)背景过滤:通过应用基于统计学的背景过滤方法,去除从路面或建筑物反射的激光点;2)聚类:采用基于密度的有噪声的空间聚类(DBSCAN)方法为激光点生成聚类;3)分类:采用随机森林(RF)分类方法,为不同的物体(如车辆和行人)生成不同的类别标签;
2022-12-17 01:01:31
437
原创 FS-COD:基于特征共享的V2V协同目标检测
由传感和通信系统的固有限制(遮挡和有限的通信带宽)引起的可扩展性和可靠性问题仍然是具有挑战性的问题。自动驾驶汽车系统的安全性取决于感知和inference系统的稳健性。但是,提高传感系统的质量是昂贵的,即使是高质量的LiDAR设备也不能克服遮挡问题。
2022-12-16 18:34:15
440
原创 Learn2com:基于Learnable Communications的V2I协同3D目标检测
提出了一个协同感知框架(Learn2com)使用LiDAR点云数据进行3D目标检测,通过注意力通信机制学习与路边设施智能地进行通信,从而在每个时间段只与一个邻近路边设施进行通信以节省带宽 ,达到提高目标检测精度和减少传输带宽的平衡。为了评估所提出框架的有效性,使用CARLA模拟器构建了一个仿真数据集CARLA-3D。
2022-12-14 21:26:03
322
原创 车联网环境下自动驾驶的协同感知技术综述
从协同感知信息融合方法的角度总结了物联网环境下自主驾驶的协同感知技术的研究现状,重点总结了图像融合、点云融合、图像-点云融合方法。通过比较,发现多模态和多视角下的图像点云融合是协同感知的最佳方法。与单车多传感器融合相比,协同感知信息融合在感知范围、准确性和可靠性方面有更多的优势。比较不同阶段的信息融合,处理后的数据的融合和共享不仅可以减少传输的数据量,还可以大大降低网络通信负荷。原始数据的融合和共享更有利于协同感知,但会增加通信负担,并对协同感知结果产生一定的负面影响。
2022-12-10 16:17:22
4709
原创 协同感知综述:从异质单体到分层合作
提出了架构和分类法,以说明协同感知系统的基本组成部分和核心内容。从节点结构、传感器模式和融合方案三个方面详细介绍了协同感知方法,并进行了文献review。提出的分层合作感知框架分别从交叉口、走廊和网络等不同层面进行分析。简要回顾了用于实现合作感知的现有数据集和模拟器,以确定其差距。讨论了当前的问题和未来的趋势。
2022-12-09 22:18:27
1767
原创 Cooperative Perception in an Automotive Context 综述
论文标题:Survey on Cooperative Perception in an Automotive Context发表期刊/会议: IEEE Transactions on Intelligent Transportation Systems 2022概述了可用于创建这样一个系统的架构,以及合作所带来的挑战。随后,回顾了感知中涉及的主要模块:定位、物体检测和跟踪、地图生成。每个模块都在合作的棱镜下进行审查。
2022-12-08 22:30:20
425
原创 基于GM-PHD滤波器的V2V协同感知( 多目标跟踪)
本文提出了一种对多辆汽车进行协作跟踪的方法,该方法将高斯混合概率假设密度滤波器(GM-PHD)与协作融合算法进行扩展。以先检测后跟踪的方式进行预处理,并使用矩形形状模型对汽车进行跟踪。为了扩大单个车辆的视场,提高多辆车可观察到的目标区域的估计置信度,在车辆之间交换PHD强度,并使用一个基于广义协方差交叉融合的算法在协同GM-PHD滤波器中进行融合。在车辆以不同速度表现出直线和曲线运动的情况下,使用一个经过校准的高保真模拟器对该方法进行了广泛的评估。
2022-11-26 17:32:40
1574
原创 基于车载无线通信和车辆远程传感器融合的V2X协同感知(目标跟踪/轨迹预测)
为了实现可靠的车辆驾驶环境识别,并提供适当的道路安全应用,提出了基于车载传感器和车辆无线通信的协同感知方法。提出了基于车辆无线通信数据与车载传感器数据融合的协同感知方法,其中,采用了基于Kalman滤波的方法来融合车载传感器感知和通过V2X通信接收到的目标轨迹数据,以准确可靠地定位车辆周围的远程目标并预测其未来的轨迹。1)所提出的方法应用范围被限制在Ego车辆周围存在单一远程目标的驾驶场景中。2)轨迹预测是基于基于物理学的运动模型,这种模型可以在短期预测中表现良好,但当预测范围扩大时,其性能就会下降。
2022-11-26 15:42:35
1755
原创 基于协方差交叉融合算法的V2X协同感知(多目标跟踪)
提出了一个基于CI的概率轨迹融合方法应用于V2X CP,可在不需要知道任何互相关未知的情况下,对本地感知信息和从其他ITS-S收到的感知目标信息进行融合;支持Ego CV中不同类型的感知信息的融合,包括其本地感知数据、传感器原始数据和通过V2X通信从其他合作ITS-S收到的目标轨迹。
2022-11-26 03:11:25
1307
原创 V2V协同多目标跟踪——目标尺寸和位置估计
我们提出了一种基于机器学习的方法,以提高协作式自动驾驶应用的共享信息的准确性。这种方法使用两个对话神经网络来检测和分类物体。物体分类有助于提取物体的尺寸,这些尺寸用于估计SAE标准要求的物体中心点的位置。结果表明,位置估计的误差非常小。本文提出了一种基于机器学习的方法,与目标跟踪系统相结合,能够对共享的object进行分类和提取三维信息。该方法提供了V2V通信所需的被追踪物体目标的尺寸和中心点的位置。在本文中,我们提出了一种新的方法,其中使用了两个深度神经网络来分类和提取检测到的object的信息。
2022-11-24 01:34:09
1532
原创 基于Car2X-Based Perception模块的后期融合V2X协同感知
所提出的Car2X-Based Perception模块作为一个虚拟传感器被整合到后期融合架构中,主要用于将发送车辆/路边设施的Local Perception模块的输出进行时间和空间上的对齐:1)对于时间对齐,通过采用CTRA车辆运动模型结合UKF来预测协作车辆和接收到的物体的3D位置和 motion。其中,UKF的状态被一个过程噪声向量所增广,以这样简单的方式包含了运动模型的不准确性;2)对于空间对齐,UT变换计算相对状态。
2022-11-19 03:44:56
319
原创 基于Hybrid Fusion的多个路边设施传感器数据融合协助车辆感知V2I(3D目标检测)
相比于V2V共享车载信息并在本地融合数据,所提出的协同感知系统采用了一个中央系统,融合来自多个路边设施传感器的感知信息,可以通过共享资源来减少传感器本地处理成本。通过选取远处的点云原始数据(稀疏)进行传输来减少传输数据量从而减少早期融合方式的通信带宽,附近区域采用后期融合方式,这种混合融合方案可以实现感知精度与通信成本之间的平衡。局限:1)没有考虑network delay and communication losses。
2022-11-13 01:52:01
1091
原创 基于深度强化学习的V2V协同感知中的传输信息选择
1)提出了一种用于协同感知的深度强化学习方法,以减轻网络负荷。2)设计和开发了一个协同智能车仿真(CIVS)平台,其整合了多个软件组件,以评估traffic模型、车辆模型、通信模型和物体分类模型。
2022-10-22 15:10:28
567
原创 基于LOOK-AHEAD的CPM生成
车辆必须每隔T_GenCpm检查分析是否应该生成新的CPM和是否传输CPM(0.1s ≤ T_GenCpm ≤ 1s)。车辆检测到一个新的物体;以前检测到的物体满足以下条件之一:1)自上次将该检测物体信息纳入CPM以来,物体的位置变化超过4m;2)自上次将该检测物体信息纳入CPM以来,物体的速度变化超过0.5m/s;3)上一次将该物体信息纳入CPM是在1s前(或更多)。新的CPM中包含满足以上条件之一的之前检测到的物体和所有新检测到的物体。
2022-10-22 01:11:25
181
原创 通过改进ETSI的CPM生成规则缓解协传输信息冗余
车辆必须每隔T_GenCpm检查分析是否应该生成新的CPM和是否传输CPM(0.1s ≤ T_GenCpm ≤ 1s)。车辆检测到一个新的物体;以前检测到的物体满足以下条件之一:1)自上次将该检测物体信息纳入CPM以来,物体的位置变化超过4m;2)自上次将该检测物体信息纳入CPM以来,物体的速度变化超过0.5m/s;3)上一次将该物体信息纳入CPM是在1s前(或更多)。新的CPM中包含满足以上条件之一的之前检测到的物体和所有新检测到的物体。
2022-10-21 23:13:52
221
原创 PillarGrid:基于Grid-wise Feature Fusion的V2I协同感知(3D目标检测)
全局空间对齐后,自定义了每个LiDAR的检测区域,而被划分进的点云数据并非此LiDAR传感器产生。pillar特征提取时,选择特征值最大的点来表示该pillar的特征。采用 maxpooling 来进行特征融合,缺乏信息选择和数据关联性的识别,所选择的特征不一定是最好的。V2X协同感知存在的延迟、GPS定位错误、数据丢包等问题。车辆和路边设施的异构性。
2022-10-19 20:08:37
481
1
原创 V2X-ViT:基于Vision Transformer的V2X协同感知
Pose Error;Communication Delay;Intermediate Fusion;V2X;
2022-10-14 21:19:22
1806
原创 SyncNet:基于Latency-Aware 的V2V协同感知
针对协同感知中的通信延迟问题,提出了latency-aware协同感知系统,能够在聚合之前同步协作特征,减轻延迟造成的影响,以提高多车感知的性能。为实现特征级的同步,提出了延迟补偿模块SyncNet,通过利用历史协作信息联合估计当前时刻缺失的中间特征和协作注意力,来缓解延迟的影响。局限:估计特征和估计注意力的GT、自车特征图GT存在噪声。
2022-10-13 20:38:04
1385
原创 DiscoNet:基于Distilled Collaboration Graph的V2V协同感知
为了促进多车感知的更好的性能-带宽权衡,提出了Distilled Collaboration Graph(DiscoGraph)来模拟车辆之间的可训练、姿势感知和自适应协作。提出了一个teacher-student框架,通过knowledge distillation来训练 DiscoGraph。teacher model采用早期协作方式以整体视图输入;student model采用中期协作方式以单视图作为输入。
2022-10-12 14:14:09
1221
原创 Keypoints-Based Deep Feature Fusion for Cooperative Vehicle Detection of Autonomous Driving
基于LiDAR点云的3D目标检测(车辆),体素特征提取,COMAP仿真数据集。
2022-09-30 20:34:15
386
原创 Adaptive Feature Fusion for Cooperative Perception using LiDAR Point Clouds
提出的基于特征融合的协同感知网络结构是从PointPillars扩展而来,以点云为输入,分5步处理数据:1)特征编码–用柱状特征网络(PFN)将点云转换为伪图像;2)中间特征提取–用2D pyramid network金字塔网络从伪图像中提取多尺度特征;3)特征投影–用LiDAR pose信息将CAV的中间特征图投影到自车坐标上;4)中间特征融合–用特征融合网络生成组合特征图;5)3D目标检测–用Single Shot Detector(SSD)回归边界框,预测检测到的物体类别。
2022-09-29 19:28:43
833
原创 V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Prediction
V2VNet是一个联合架构以执行感知和预测任务,主要协助SDV完成以下工作:(1)处理原始传感器数据;(2)发送处理后的数据;(3)聚合从附近其他SDV收到的信息;(4)生成所有交通参与者在3D空间中的最终估计值和预测他们的未来轨迹。提出了一个V2V仿真数据集V2V-Sim以评估所提出的V2VNet。
2022-09-29 14:14:33
2469
原创 F-Cooper: 基于 3D 点云特征的自动驾驶车辆边缘计算系统的协作感知
提出了一种基于点云特征的协同感知框架(F-Cooper):1)利用特征级融合实现端到端的 3D 目标检测,特征级数据传输不会有网络拥塞的风险,可实现实时边缘计算和低通信延迟;2)除了能够提高检测精度外,特征融合所需的数据量仅为原始数据量的百分之一,在数据量和传输时间上都很好地处于 On-Edge 计算和通信的可接受范围内;3)两种融合方案:体素特征融合和空间特征融合。
2022-09-27 22:56:01
948
原创 Cooper: Cooperative Perception for Connected Autonomous Vehicles based on 3D Point Clouds
Cooper:基于 3D LiDAR 点云的联网自动驾驶汽车(CAV)的协同感知方法
2022-09-21 22:22:33
616
原创 OpenCDA: An Open Cooperative Driving Automation Framework Integrated with Co-Simulation
本文提出了 OpenCDA用于开发测试协同驾驶自动化(CDA)系统,可以在流量和个人自治traffic and individual autonomy两个层面测试不同的 CDA 算法。
2022-09-10 15:04:03
681
1
原创 DAIR-V2X: A Large-Scale Dataset for Vehicle-Infrastructure Cooperative 3D Object Detection
自动驾驶的安全全局视野和远程感知能力的限制,自动驾驶面临着巨大的安全挑战。
2022-09-10 14:59:04
2443
原创 V2X-Sim: A Virtual Collaborative Perception Dataset for Autonomous Driving
V2X-Sim是第一个基于 CARLA 模拟器的自动驾驶场景中的虚拟协同感知数据集。通过在现实交通流中提供多智能主体多模态传感器数据流和多种的注释标签,V2X-Sim 可以用于各种感知任务,尤其是在现实数据集广泛可用之前的协同感知。原文:https://arxiv.org/pdf/2202.08449.pdf。
2022-09-09 00:10:29
1168
原创 OPV2V: An Open Benchmark Dataset and Fusion Pipeline for Perception
提出了第一个用于 V2V 感知的开放数据集和基准融合策略。提出了一个 Attentive Intermediate Fusion 管道,实验结果表明优于所有其他融合方法,即使在大压缩率下也能实现最先进的性能。
2022-09-08 15:34:55
1076
原创 Collaborative Autonomous Driving—A Survey of Solution Approaches and Future Challenges
协同驾驶系统(CDS)利用车辆间通信(IVC),旨在与相邻的协作车辆共享车载传感器信息,让它们在城市交通中行驶并做出最优的联合决策。自动驾驶汽车的感知和协调能力仍然有限,因为它们的行驶取决于车载感知数据和其他车辆的行为。如果车辆能够预测其他车辆的行为,并且车辆相互合作可以充分展现自动驾驶的好处,且可以避免许多交通事故。车辆协作的基本概念是做出最优的联合驾驶决策并从协作中受益,通过相互协作来降低成本。
2022-09-07 12:25:53
599
原创 Infrastructure-Based Object Detection and Tracking for Cooperative Driving Automation: A Survey
协同驾驶自动化 (CDA) 可实现装备精良的车辆、基础设施和其他道路使用者之间的通信与合作。由于基础设施的(infrastructure-based)传感器安装位置和姿势的灵活性,基于基础设施的目标检测和跟踪系统可以增强联网车辆的感知能力。
2022-09-03 00:05:17
716
原创 Cooperative Driving Dataset (CODD)
协同驾驶数据集 () 是使用 CARLA 生成的合成数据集,包含来自多个不同的车辆同时在不同的驾驶场景中行驶的激光雷达数据,每一帧都标有真实传感器姿态(sensor pose)和 真实的目标的3D边界框。
2022-08-30 20:22:19
975
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人