面向多视角多智能体自动驾驶协同感知的复现与创新摘要多智能体协同感知利用车-车（V2V）、车-路（V2I）通信使自动驾驶车辆共享互补的感知信息，从而有效解决单车感知在遮挡和远距离检测方面的固有局限。本文以OpenCOOD开源协同感知框架为核心，复现了V2X-ViT等多智能体融合模型在OPV2V数据集上的3D目标检测性能；并在此基础上提出了融合多视角注意力机制的创新模型MV-Trans，通过异构多智能体自注意力与多视角空间融合模块的协同设计，实现了多智能体间跨视角信息的高效整合。实验表明，创新模型在OPV2V数据集上取得了82.36%的3D AP和82.67%的BEV AP，分别比V2X-ViT基线提升了1.27和1.19个百分点。通过系统化的实验对比，本文深入分析了不同融合策略在感知精度与通信效率之间的权衡关系，验证了创新想法的可行性与有效性。关键词：多智能体；自动驾驶；协同感知；3D目标检测；Transformer；多视角融合1 绪论1.1 研究背景与意义随着人工智能技术的快速发展，自动驾驶已成为智能交通系统中最具变革性的前沿领域。然而，单车感知系统受限于单一视角的物理约束，在遇到遮挡物、恶劣天气条件以及远距离探测时，感知能力显著下降，可能引发严重的安全事故。在这一背景下，多智能体协同感知（Collaborative Perception, CP）通过车-车（Vehicle-to-Vehicle, V2V）和车-路（Vehicle-to-Infrastructure
面向多视角多智能体自动驾驶协同感知的复现与创新
发布时间：2026/5/26 21:10:42
面向多视角多智能体自动驾驶协同感知的复现与创新摘要多智能体协同感知利用车-车（V2V）、车-路（V2I）通信使自动驾驶车辆共享互补的感知信息，从而有效解决单车感知在遮挡和远距离检测方面的固有局限。本文以OpenCOOD开源协同感知框架为核心，复现了V2X-ViT等多智能体融合模型在OPV2V数据集上的3D目标检测性能；并在此基础上提出了融合多视角注意力机制的创新模型MV-Trans，通过异构多智能体自注意力与多视角空间融合模块的协同设计，实现了多智能体间跨视角信息的高效整合。实验表明，创新模型在OPV2V数据集上取得了82.36%的3D AP和82.67%的BEV AP，分别比V2X-ViT基线提升了1.27和1.19个百分点。通过系统化的实验对比，本文深入分析了不同融合策略在感知精度与通信效率之间的权衡关系，验证了创新想法的可行性与有效性。关键词：多智能体；自动驾驶；协同感知；3D目标检测；Transformer；多视角融合1 绪论1.1 研究背景与意义随着人工智能技术的快速发展，自动驾驶已成为智能交通系统中最具变革性的前沿领域。然而，单车感知系统受限于单一视角的物理约束，在遇到遮挡物、恶劣天气条件以及远距离探测时，感知能力显著下降，可能引发严重的安全事故。在这一背景下，多智能体协同感知（Collaborative Perception, CP）通过车-车（Vehicle-to-Vehicle, V2V）和车-路（Vehicle-to-Infrastructure
