《Computer Networks》：BDGraS: Bandwidth-adaptive dual-relation gravity model for efficient cooperative vehicle selection in autonomous driving
編輯推薦：
高效V2V協同感知的帶寬自適應雙關系重力模型提出了一種動態融合策略和車輛選擇方法，通過考慮網絡帶寬和信息冗余優化通信效率，同時保持檢測精度。
李亞龍|鐘磊|林陽飛|杜朝陽|劉凱|包五格德勒|吳策姆格
東京電氣通信大學計算機與網絡工程系，日本182–8585
摘要
協作感知通過使車輛共享互補的感知信息來提高自動駕駛的安全性。然而，現有方法無論網絡條件如何都采用固定的融合策略，并且通常會參與所有可用的車輛，而不考慮信息冗余，從而導致過高的通信開銷。為了解決這些挑戰，本文提出了BDGraS，這是一種帶寬自適應的雙關系引力模型，用于高效的選擇協作車輛。具體來說，BDGraS首先引入了一個考慮網絡約束和信息冗余的帶寬感知優化框架，同時利用一種新穎的雙關系引力模型，有效捕捉車輛與自身以及車輛之間的相互關系，以實現全面的協作優化。此外，一種自適應選擇算法能夠無縫地在不同的融合模式之間切換，并智能地選擇最有價值的協作車輛子集。最后，在OPV2V數據集上的廣泛實驗表明，BDGraS在保持競爭性檢測準確率（≤0.5%的下降）的同時，平均減少了25–30%的通信開銷和25–35%的延遲。
引言
聯網和自動化車輛（CAVs）在提高道路安全和交通效率方面取得了顯著進展。盡管在單車輛感知方面取得了重大進展，包括我們之前的工作[1]，通過創新的檢測架構解決了長尾感知問題，但由于遮擋、傳感器范圍限制和環境復雜性，單個車輛仍然面臨固有的限制。為了克服這些挑戰，車輛對車輛（V2V）[2]、[3]、[4]、[5]、[6]、[7]的協作感知作為一種有前景的解決方案出現，它使車輛能夠共享和融合互補的感知信息。
協作感知的發展經歷了幾個關鍵階段。例如，OPV2V [8]和OpenCAD [9]建立了基礎融合架構。更近期的工作，包括V2X-ViT [4]和CoAlign [5]，采用了特征級融合策略來提高感知準確性。此外，我們之前的研究TimeSync [10]解決了由通信延遲引起的異步信息融合這一關鍵挑戰，顯著改善了時間對齊和融合準確性。
然而，盡管取得了這些進展，兩個根本性挑戰阻礙了協作感知系統的實際部署：首先，如圖1(a)所示，現有方法無論網絡條件如何都采用固定的融合策略——早期融合（原始傳感器數據）、中期融合（特征表示）或晚期融合（檢測結果）。這種不靈活性導致在帶寬可用性波動時性能不佳。例如，雖然早期融合[1–2]在帶寬充足時提供更高的準確性，但在網絡受限的情況下就不切實際了，而晚期融合[5–6]則更為高效。無法根據動態網絡條件調整融合策略顯著影響了實際部署中的系統性能。其次，如圖1(b)所示，在城市環境中，多輛車通常具有重疊的視野（FOVs）[11]，特別是在交叉口和密集交通場景中。當前的方法通常會參與所有可用的車輛進行協作，而不考慮信息冗余。這種簡單的策略不僅浪費了寶貴的帶寬資源，還增加了接收車輛的計算開銷。在復雜的城市環境中，高效的車輛選擇對于系統的可擴展性至關重要。
為了解決這些挑戰，我們提出了BDGraS，一種帶寬自適應的雙關系引力模型，用于選擇協作車輛。本文的主要貢獻如下：
•我們提出了一個考慮網絡約束和信息冗余的帶寬感知優化框架。
•我們提出了一種新穎的雙關系引力模型，有效捕捉車輛與自身（V2E）和車輛與車輛（V2V）之間的相互關系，以實現全面的協作優化。
•我們開發了一種自適應選擇算法，能夠在不同的融合模式之間無縫切換，并智能地選擇最有價值的協作車輛子集。
•我們在OPV2V數據集上進行了廣泛的實驗，證明了在不同運行條件下的性能提升。
本文的其余部分組織如下。第2節回顧了相關工作。第3節詳細介紹了我們的方法論。第4節提供了全面的實驗結果和分析。第5節總結了本文。
相關研究
相關工作
在本節中，我們分別回顧了關于協作感知、基于LiDAR和基于相機的對象檢測以及效率挑戰的相關工作。
方法論
在本節中，我們提出了一個帶寬自適應的協作車輛選擇框架，用于高效的V2V感知。我們的框架包括三個關鍵組成部分：(a) 帶寬受限問題的表述；(b) 整合V2E和V2V交互的雙關系引力模型；(c) 根據可用帶寬動態切換不同傳輸模式的自適應選擇算法。
實驗與結果
在本節中，我們首先描述了實驗設置和實現細節，然后與最先進的方法進行了定量比較，并對框架的行為進行了定性分析。最后，我們對關鍵組件進行了全面的消融研究。
結論
在本文中，我們提出了BDGraS，這是一個用于自動駕駛系統中高效協作車輛選擇的帶寬自適應框架。通過全面的實驗，我們證明了我們的方法有效解決了V2V協作感知中的兩個關鍵挑戰：固定融合策略的局限性和冗余信息共享的問題。
CRediT作者貢獻聲明
李亞龍：撰寫——原始草稿，概念化。鐘磊：撰寫——審閱與編輯，方法論，調查。林陽飛：撰寫——審閱與編輯，驗證，監督。杜朝陽：可視化，驗證，資源。劉凱：撰寫——審閱與編輯，驗證，資源，方法論。包五格德勒：方法論，調查，形式分析。吳策姆格：撰寫——審閱與編輯，驗證，項目管理，資金獲取，形式分析。
利益沖突聲明
作者聲明他們沒有已知的可能會影響本文所報告工作的競爭性財務利益或個人關系。
