V2X-DGW: Domain Generalization for Multi-agent Perception under Adverse Weather Conditions

当前基于激光雷达的车联网（V2X）多智能体感知系统已经在三维物体检测方面取得了显著成功。然而，在真实世界的不良天气条件下，这些模型表现出域差异，只能在经过训练的良好天气条件下表现良好。本文提出了一种名为V2X-DGW的域泛化方法，用于在不良天气条件下的基于激光雷达的多智能体感知系统中进行三维物体检测。我们的研究不仅旨在确保在良好天气条件下有良好的多智能体性能，而且在未知的不良天气条件下，只通过在良好天气数据上进行学习来实现。为了推进这一领域的研究，我们模拟了三种普遍的不良天气条件对两个广泛使用的多智能体数据集的影响，从而创建了两个新的基准数据集：OPV2V-w和V2XSet-w。为此，我们首先引入了自适应天气增强（AWA）来模拟未知的不良天气条件，然后提出了两种可泛化表示学习的对齐方法：信任区域天气不变对齐（TWA）和智能体感知对比对齐（ACA）。广泛的实验结果表明，我们的V2X-DGW在未知的不良天气条件下取得了改进。

本论文旨在解决多智能体感知系统中基于LiDAR的3D物体检测在恶劣天气条件下的问题，提出了一种域泛化方法V2X-DGW。

论文提出了自适应天气增强（AWA）来模拟未见过的恶劣天气条件，并提出了两种对齐方法：信任区域天气不变对齐（TWA）和代理感知对比对齐（ACA）。

论文模拟了三种常见的恶劣天气条件对两个常用多智能体数据集的影响，创建了两个新的基准数据集：OPV2V-w和V2XSet-w。实验结果表明，V2X-DGW在未见过的恶劣天气条件下取得了显著的性能提升。

最近的相关研究包括：基于深度学习的3D物体检测方法、域自适应方法、基于多智能体的感知系统等。