CMP: Cooperative Motion Prediction with Multi-Agent Communication

自动驾驶汽车（AVs）的进步和车辆到一切（V2X）通信的成熟相结合，使得合作连接和自动化车辆（CAVs）的能力得以实现。本文在合作感知的基础上，探讨了合作运动预测的可行性和有效性。我们的方法CMP以LiDAR信号作为输入，以增强跟踪和预测能力。与以往专注于合作感知或运动预测的研究不同，我们的框架是首个解决CAVs在感知和预测模块中共享信息的统一问题的方案。我们的设计还具有独特的能力，可以容忍现实的V2X带宽限制和传输延迟，同时处理庞大的感知表示。我们还提出了一个预测聚合模块，它将不同CAVs获得的预测统一起来，并生成最终的预测结果。通过广泛的实验和消融研究，我们展示了我们的方法在合作感知、跟踪和运动预测任务中的有效性。特别地，与没有合作的设置相比，CMP将平均预测误差降低了17.2％，并减少了漏检情况。我们的工作标志着CAVs合作能力的重大进步，展示了在复杂场景中性能的提升。

本论文旨在探讨合作联网和自动驾驶车辆中的合作运动预测问题，解决 V2X 通信带宽限制和传输延迟等问题。

该论文提出了一种 CMP 方法，结合合作感知和运动预测模块，利用 LiDAR 信号增强跟踪和预测能力，并提出了预测聚合模块，将不同 CAV 的预测结果统一起来。

论文通过实验验证了 CMP 方法在合作感知、跟踪和运动预测任务中的有效性，平均预测误差降低了 17.2%。此外，论文还探讨了 CMP 方法的鲁棒性和可扩展性。

近年来，关于合作自动驾驶车辆的相关研究不断涌现，例如“Cooperative Perception and Prediction for Autonomous Driving with Shared Visual and LiDAR Fusion”和“Cooperative Planning for Autonomous Vehicles in Urban Environments Using Multiagent Reinforcement Learning”。