Interruption-Aware Cooperative Perception for V2X Communication-Aided Autonomous Driving

要約

協調知覚は、V2X 通信を介して近隣のエージェントと情報を交換することで、個々の車両の限られた知覚能力を超えて、自動運転車の知覚パフォーマンスを大幅に向上させることができます。
しかし、既存の研究のほとんどは、エージェント間の理想的な通信を前提としており、不完全な V2X 通信によって引き起こされる重要で一般的な \textit{中断の問題}を無視しています。この問題では、協力エージェントが協力メッセージを正常に受信できないため、協力認識を達成できず、安全上のリスクにつながります。
実際に協力知覚の利点を十分に享受するために、V2X 通信支援自動運転のための通信中断に強い協力知覚システムである V2X 通信中断対応協力知覚 (V2X-INCOP) を提案します。これは、過去の協力情報を活用して失われたデータを回復します。
中断による情報を収集し、中断問題の影響を軽減します。
包括的な復旧を実現するために、通信適応型マルチスケール時空間予測モデルを設計し、V2X通信状況に基づいてマルチスケール時空間特徴を抽出し、欠落情報を予測するために最も重要な情報を取得します。
回復パフォーマンスをさらに向上させるために、予測モデルを明示的かつ直接的に監視するための知識蒸留フレームワークと、モデルのトレーニングを安定させるためのカリキュラム学習戦略を採用しています。
3 つの公開協力知覚データセットに対する実験により、提案された方法が協力知覚に対する通信中断の影響を軽減するのに効果的であることが実証されました。

要約(オリジナル)

Cooperative perception can significantly improve the perception performance of autonomous vehicles beyond the limited perception ability of individual vehicles by exchanging information with neighbor agents through V2X communication. However, most existing work assume ideal communication among agents, ignoring the significant and common \textit{interruption issues} caused by imperfect V2X communication, where cooperation agents can not receive cooperative messages successfully and thus fail to achieve cooperative perception, leading to safety risks. To fully reap the benefits of cooperative perception in practice, we propose V2X communication INterruption-aware COoperative Perception (V2X-INCOP), a cooperative perception system robust to communication interruption for V2X communication-aided autonomous driving, which leverages historical cooperation information to recover missing information due to the interruptions and alleviate the impact of the interruption issue. To achieve comprehensive recovery, we design a communication-adaptive multi-scale spatial-temporal prediction model to extract multi-scale spatial-temporal features based on V2X communication conditions and capture the most significant information for the prediction of the missing information. To further improve recovery performance, we adopt a knowledge distillation framework to give explicit and direct supervision to the prediction model and a curriculum learning strategy to stabilize the training of the model. Experiments on three public cooperative perception datasets demonstrate that the proposed method is effective in alleviating the impacts of communication interruption on cooperative perception.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google