BDGraS：一种带宽自适应的双关系引力模型，用于自动驾驶中高效的选择协作车辆

《Computer Networks》：BDGraS: Bandwidth-adaptive dual-relation gravity model for efficient cooperative vehicle selection in autonomous driving

高效V2V协同感知的带宽自适应双关系重力模型提出了一种动态融合策略和车辆选择方法，通过考虑网络带宽和信息冗余优化通信效率，同时保持检测精度。

　　

李亚龙|钟磊|林阳飞|杜朝阳|刘凯|包五格德勒|吴策姆格

东京电气通信大学计算机与网络工程系，日本182–8585

摘要

协作感知通过使车辆共享互补的感知信息来提高自动驾驶的安全性。然而，现有方法无论网络条件如何都采用固定的融合策略，并且通常会参与所有可用的车辆，而不考虑信息冗余，从而导致过高的通信开销。为了解决这些挑战，本文提出了BDGraS，这是一种带宽自适应的双关系引力模型，用于高效的选择协作车辆。具体来说，BDGraS首先引入了一个考虑网络约束和信息冗余的带宽感知优化框架，同时利用一种新颖的双关系引力模型，有效捕捉车辆与自身以及车辆之间的相互关系，以实现全面的协作优化。此外，一种自适应选择算法能够无缝地在不同的融合模式之间切换，并智能地选择最有价值的协作车辆子集。最后，在OPV2V数据集上的广泛实验表明，BDGraS在保持竞争性检测准确率（≤0.5%的下降）的同时，平均减少了25–30%的通信开销和25–35%的延迟。

引言

联网和自动化车辆（CAVs）在提高道路安全和交通效率方面取得了显著进展。尽管在单车辆感知方面取得了重大进展，包括我们之前的工作[1]，通过创新的检测架构解决了长尾感知问题，但由于遮挡、传感器范围限制和环境复杂性，单个车辆仍然面临固有的限制。为了克服这些挑战，车辆对车辆（V2V）[2]、[3]、[4]、[5]、[6]、[7]的协作感知作为一种有前景的解决方案出现，它使车辆能够共享和融合互补的感知信息。

协作感知的发展经历了几个关键阶段。例如，OPV2V [8]和OpenCAD [9]建立了基础融合架构。更近期的工作，包括V2X-ViT [4]和CoAlign [5]，采用了特征级融合策略来提高感知准确性。此外，我们之前的研究TimeSync [10]解决了由通信延迟引起的异步信息融合这一关键挑战，显著改善了时间对齐和融合准确性。

然而，尽管取得了这些进展，两个根本性挑战阻碍了协作感知系统的实际部署：首先，如图1(a)所示，现有方法无论网络条件如何都采用固定的融合策略——早期融合（原始传感器数据）、中期融合（特征表示）或晚期融合（检测结果）。这种不灵活性导致在带宽可用性波动时性能不佳。例如，虽然早期融合[1–2]在带宽充足时提供更高的准确性，但在网络受限的情况下就不切实际了，而晚期融合[5–6]则更为高效。无法根据动态网络条件调整融合策略显著影响了实际部署中的系统性能。其次，如图1(b)所示，在城市环境中，多辆车通常具有重叠的视野（FOVs）[11]，特别是在交叉口和密集交通场景中。当前的方法通常会参与所有可用的车辆进行协作，而不考虑信息冗余。这种简单的策略不仅浪费了宝贵的带宽资源，还增加了接收车辆的计算开销。在复杂的城市环境中，高效的车辆选择对于系统的可扩展性至关重要。

为了解决这些挑战，我们提出了BDGraS，一种带宽自适应的双关系引力模型，用于选择协作车辆。本文的主要贡献如下：

•

我们提出了一个考虑网络约束和信息冗余的带宽感知优化框架。

•

我们提出了一种新颖的双关系引力模型，有效捕捉车辆与自身（V2E）和车辆与车辆（V2V）之间的相互关系，以实现全面的协作优化。

•

我们开发了一种自适应选择算法，能够在不同的融合模式之间无缝切换，并智能地选择最有价值的协作车辆子集。

•

我们在OPV2V数据集上进行了广泛的实验，证明了在不同运行条件下的性能提升。

本文的其余部分组织如下。第2节回顾了相关工作。第3节详细介绍了我们的方法论。第4节提供了全面的实验结果和分析。第5节总结了本文。

相关研究

相关工作

在本节中，我们分别回顾了关于协作感知、基于LiDAR和基于相机的对象检测以及效率挑战的相关工作。

方法论

在本节中，我们提出了一个带宽自适应的协作车辆选择框架，用于高效的V2V感知。我们的框架包括三个关键组成部分：(a) 带宽受限问题的表述；(b) 整合V2E和V2V交互的双关系引力模型；(c) 根据可用带宽动态切换不同传输模式的自适应选择算法。

实验与结果

在本节中，我们首先描述了实验设置和实现细节，然后与最先进的方法进行了定量比较，并对框架的行为进行了定性分析。最后，我们对关键组件进行了全面的消融研究。

结论

在本文中，我们提出了BDGraS，这是一个用于自动驾驶系统中高效协作车辆选择的带宽自适应框架。通过全面的实验，我们证明了我们的方法有效解决了V2V协作感知中的两个关键挑战：固定融合策略的局限性和冗余信息共享的问题。

CRediT作者贡献声明

李亚龙：撰写——原始草稿，概念化。钟磊：撰写——审阅与编辑，方法论，调查。林阳飞：撰写——审阅与编辑，验证，监督。杜朝阳：可视化，验证，资源。刘凯：撰写——审阅与编辑，验证，资源，方法论。包五格德勒：方法论，调查，形式分析。吴策姆格：撰写——审阅与编辑，验证，项目管理，资金获取，形式分析。

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。