论文链接：https://arxiv.org/pdf/2402.16656.pdf
摘要
本文介绍了基于深度学习的协作激光雷达感知用于改进车辆定位。众所周知，精确定位是互联自动驾驶汽车（CAV）部署的基本要求。为了满足这一要求，一种新型的趋势为协作方法，即车辆通过车路协同（V2X）通信融合来自导航和成像传感器的信息，以实现联合定位和环境感知。根据这一趋势，本文提出了一种新的数据驱动的协同感知框架，称为具有消息传递神经网络的协作激光雷达感知（CLS-MPNN），其中空间分布的车辆通过激光雷达传感器协同感知环境。车辆使用深度神经网络（DNN）（即3D目标检测器）来处理激光雷达点云，以识别和定位驾驶环境中可能存在的静态目标。然后，通过集中式基础设施聚合数据，该基础设施使用消息传递神经网络（MPNN）进行数据关联（DA），并且运行隐式协作定位（ICP）算法。本文通过由高保真度自动驾驶仿真器生成的两个驾驶场景来评估所提出的方法。结果表明，CLS-MPNN优于传统的基于全球卫星导航系统（GNSS）的非协作定位算法和最先进的协作同时定位和建图（SLAM）方法，同时接近具有理想感知和完美关联的oracle系统的性能。
主要贡献
本文的主要贡献总结如下：
1）本文通过扩展已有的方法，将数据关联（DA）嵌入到协作机制中，以实现随时间进行跟踪；
2）本文通过集成单阶段和双阶段3D目标检测器来扩展框架，以提供一个全面的协作定位平台；
3）本文引入了与最先进的协作SLAM方法的比较，以展现该方案在定位精度和减少通信开销方面的优势；
4）本文研究了CLS-MPNN在新的驾驶场景中的泛化能力。此外，本文还描述了CLS-MPNN与更便宜、分辨率更低的激光雷达一起工作的能力以及其对虚假警报的鲁棒性。
论文图片和表格
总结
本文提出了一种新的数据驱动的协作定位和感知框架（称为CLS-MPNN），用于复杂城市环境中的GNSS增强。该框架利用NN（即3D目标检测器）来识别和定位周围环境中的静态目标。然后，通过集中式单元（即MEC）来聚合检测结果，其执行基于MPNN的数据关联过程，以结合多辆汽车提供的对于同一目标的测量结果。一旦解决了数据关联问题，MEC采用一种协作贝叶斯跟踪算法来提高目标的定位精度，并且隐式地优化车辆定位结果。
今后的研究工作将针对现实世界驾驶场景进行评估，以及开发端到端协作学习策略，其中通过单个神经网络执行3D目标检测和数据关联任务。此外，基于MPNN的数据关联策略可以扩展来处理假阳性。
发表回复