盖世汽车讯 准确的感知对于网联自动驾驶车辆的安全运行至关重要。然而，单车感知受限于其自身的视角，在复杂的交通场景中，容易面临遮挡、感知范围受限以及检测失败等问题。协同感知（即车辆间共享感知信息）能够有效克服这些局限。但现有的协同感知方法往往需要传输完整的特征图或密集的传感器数据，这会带来巨大的通信开销，从而阻碍了实际部署。

图片来源：Duanrui Yu

据外媒报道，为解决这一问题，来自清华大学自动化系和浙江大学智能交通系统研究所（Institute of Intelligent Transportation Systems）的研究人员开发了一种名为“Which2comm”的高效协同感知框架，专门用于智能网联和自动驾驶车辆。该框架不再共享大范围的区域级特征图，而是传输精简的对象级语义信息——即“语义检测框”（Semantic Detection Boxes，简称 SemDBs）。这些稀疏特征既保留了三维目标检测所需的关键空间与语义细节，又大幅降低了车辆间需要交换的数据量。

该框架的一项核心创新在于其“安全风险感知”协作策略。与在通信中同等对待所有车辆的做法不同，Which2comm 能够根据各车辆与驾驶安全的相关性，自适应地筛选出最具信息价值的协作主体。此外，该框架还引入了时序特征融合与相对时间编码机制，从而能够更有效地处理通信延迟以及来自不同车辆的异步数据。

研究人员在多个协同感知数据集上对 Which2comm 进行了评估，这些数据集包括 V2XSet、真实场景数据集 V2V4Real，以及一个新构建的大规模数据集——Multi-V2X。Multi-V2X 包含 14.6 万帧激光雷达数据、54.9 万张 RGB 图像以及约 421.9 万个 3D 标注框；该数据集支持高密度车联场景，涵盖多达 31 个联网主体，车联渗透率高达 86.21%。

实验结果表明，Which2comm 能够在极低的通信成本下实现出色的检测性能。在 V2XSet 数据集上，该方法在 AP@0.5 和 AP@0.7 指标下分别达到了 0.929 和 0.833，且数据传输量仅为 0.022 MB。在 Multi-V2X 和 V2V4Real 数据集上，该框架的表现也优于现有的协同感知方法，展现出了在通信延迟环境下的鲁棒性，以及在密集智能网联车辆环境中的可扩展性。

研究指出，基于目标层面的稀疏通信能够提升协同感知的效率与可扩展性，使其在未来的智能交通系统中更具实用价值。通过在保持高感知精度的同时减少通信冗余，Which2comm 为实现智能网联和自动驾驶交通系统中的实时协同感知迈出了重要且有前景的一步。

展望未来，研究人员计划将该框架扩展至更复杂的现实场景中，例如涉及多模态传感器融合、定位不确定性以及数据包丢失的情况，从而进一步增强模型的适用性与实际应用就绪度。