weixin_44649327的博客

本文通过在特征融合模块中构建trainable的自适应特征选择过程，可以在融合过程中在多个中自适应选择特征。在OPV2V数据集上检测车，在CODD数据集上检测车和行人（考虑到行人在实际的检测中更重要，且难度更高）简单来说，本文的特征融合部分改进较为简单，创新点不大，但实验结果好。

OpenVSLAM是包含ORB-SLAM2内容并重新改写扩充后的仓库，因此和ORB-SLAM2源代码一些代码构造和变量名称不完全一样。虽然已经OpenVSLAM仓库已经停用了，但因为原来项目所用，因此继续延续以这个复习。大体的学习步骤就是根据b站的ORB-SLAM2的进行跟进看的过程中去对应OpenVSLAM里的相应实现。

协同感知问题存在感知性能和通信带宽之间的基本权衡。提出了 Spatial Confidence Map，作用是It empowers agents to only share spatially sparse, yet perceptually critical information, contributing to where to communicate.采用更加实用的压缩过程，通过关注感知关键区域，使用更少的沟通来实现更高的感知性能。可以通过动态调整通信涉及的空间区域来处理变化的通信带宽。

论文主要针对的是3D目标检测问题（自动驾驶领域）Heterogeneous agent：所谓异构，就是不光接收车的信息，还要接受infrastracture的信息。不同agent之间就形成了异构性，怎么有效融合就成了问题。（比如说交叉路口的固定传感器）提供的信息具有a broader sight-of-view and potentially less occlusion. 而且更稳定, 应该被利用起来。这一篇的亮点新结构。

这是一篇最新的Collaborative Perception综述文章。individual车辆的感知系统已经研究到了比较高的精度层次。会让自动驾驶领域的研究到达瓶颈，因为有两个重要因素是单个车辆无法解决的：遮挡问题、长距离导致的点云稀疏问题。分为三类方法：早期融合、中期融合（方法较多）、后期融合早期融合：因为交换的是原始数据，需要交换的数据量过大，荣誉造成网络延迟中期融合：两个挑战（1.如何选择最有利的特征。2.如何最大限度融合其他agent的特征）后期融合：对定位误差非常敏感。