Towards Vehicle-to-everything Autonomous Driving: A Survey on Collaborative Perception

要約

Vehicle-to-Everything (V2X) 自動運転は、新世代のインテリジェント交通システムの開発に有望な方向性を切り開きます。
V2X を実現するための重要なコンポーネントとしての協調知覚 (CP) は、オクルージョンや長距離知覚など、個人の知覚に固有の制限を克服できます。
この調査では、V2X シナリオの CP 手法の包括的なレビューを提供し、コミュニティに深く深い理解をもたらします。
具体的には、最初に典型的な V2X システムのアーキテクチャとワークフローを紹介します。これにより、V2X システム全体とその中での CP の役割を理解するためのより広い視点が得られます。
次に、既存の V2X 知覚データセットと CP 手法を徹底的に要約して分析します。
特に、コラボレーションステージ、路側センサーの配置、遅延補償、パフォーマンスと帯域幅のトレードオフ、攻撃/防御、姿勢調整など、さまざまな重要な観点から多数のCP手法を紹介します。さらに、比較検討するために広範な実験分析を実施します。
現在の CP メソッドを分析し、いくつかの重要かつ未踏の洞察を明らかにします。
具体的には、さまざまな帯域幅でのさまざまなメソッドのパフォーマンスの変化を分析し、パフォーマンスと帯域幅のトレードオフの問題についての深い洞察を提供します。
また、さまざまな LiDAR 範囲での方法も検討します。
モデルの堅牢性を研究するために、通信遅延、損失のある通信、位置特定エラー、混合ノイズをカバーする、さまざまな CP 手法のパフォーマンスに対するさまざまなシミュレートされた現実世界のノイズの影響をさらに調査します。
さらに、既存の CP 手法の sim-to-real 汎化能力を調べます。
最後に、課題と課題を徹底的に議論し、今後の取り組みの有望な方向性を強調します。
実験分析用のコードは https://github.com/memberRE/Collaborative-Perception で公開されます。

要約(オリジナル)

Vehicle-to-everything (V2X) autonomous driving opens up a promising direction for developing a new generation of intelligent transportation systems. Collaborative perception (CP) as an essential component to achieve V2X can overcome the inherent limitations of individual perception, including occlusion and long-range perception. In this survey, we provide a comprehensive review of CP methods for V2X scenarios, bringing a profound and in-depth understanding to the community. Specifically, we first introduce the architecture and workflow of typical V2X systems, which affords a broader perspective to understand the entire V2X system and the role of CP within it. Then, we thoroughly summarize and analyze existing V2X perception datasets and CP methods. Particularly, we introduce numerous CP methods from various crucial perspectives, including collaboration stages, roadside sensors placement, latency compensation, performance-bandwidth trade-off, attack/defense, pose alignment, etc. Moreover, we conduct extensive experimental analyses to compare and examine current CP methods, revealing some essential and unexplored insights. Specifically, we analyze the performance changes of different methods under different bandwidths, providing a deep insight into the performance-bandwidth trade-off issue. Also, we examine methods under different LiDAR ranges. To study the model robustness, we further investigate the effects of various simulated real-world noises on the performance of different CP methods, covering communication latency, lossy communication, localization errors, and mixed noises. In addition, we look into the sim-to-real generalization ability of existing CP methods. At last, we thoroughly discuss issues and challenges, highlighting promising directions for future efforts. Our codes for experimental analysis will be public at https://github.com/memberRE/Collaborative-Perception.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google