StreamLTS: Query-based Temporal-Spatial LiDAR Fusion for Cooperative Object Detection

智能交通代理之间通过通信进行合作感知具有提高自动驾驶安全性的巨大潜力。然而，有限的通信带宽、定位误差和传感器数据的异步捕获时间都给不同代理的数据融合带来了困难。在一定程度上，以前的研究已经尝试减少共享数据大小、减轻由定位误差和通信延迟引起的空间特征不对齐等问题。然而，它们都没有考虑到异步传感器计时，这可能导致在数据融合过程中动态物体的错误位置超过一米。在本文中，我们提出了一种名为TA-COOD的时间对齐合作物体检测方法，我们采用广泛使用的OPV2V和DairV2X数据集，考虑异步LiDAR传感器计时，并使用基于查询的技术建立了高效的完全稀疏框架，对个体物体的时间信息进行建模。实验结果证实了我们完全稀疏框架的卓越效率，相比最先进的密集模型，更加高效。更重要的是，实验结果表明，动态物体的点观察时间戳对于准确建模物体的时间上下文和其时间相关位置的可预测性至关重要。

该论文旨在解决智能交通代理之间通信带宽有限、定位误差和传感器数据捕获异步等问题，提出了一种新的时间对齐合作目标检测方法（TA-COOD）来提高自动驾驶的安全性。

TA-COOD采用基于查询的技术，建立了一个高效的完全稀疏框架，模拟了个体对象的时间信息，解决了异步传感器滴答时间所导致的动态物体错位问题。

论文使用OPV2V和DairV2X数据集，证明了TA-COOD相对于现有的密集模型具有更高的效率，并且指出了动态物体的点观测时间戳对于准确建模对象时间上下文和其位置预测的重要性。

与此相关的最新研究包括：《A Survey of Communication-Efficient Approaches to Federated Learning》、《Learning to Communicate to Solve Coordination Problems》等。