[논문 리뷰] Adaptive Communications in Collaborative Perception with Domain Alignment for Autonomous Driving

Hu Senkang, Zhengru Fang외 5명|arXiv (Cornell University)|2023. 09. 15.

Visual Attention and Saliency Detection인용 수 4

한 줄 요약

이 논문은 차량 간 통신 지연을 최소화하기 위해 동적으로 최적화된 통신 그래프를 구성하고, 비율-왜곡 효율성과 시간적 중복 감소를 위한 데이터 복원을 적응적으로 조정하며, 주파수 도메인 도메인 정렬을 통해 차량 간 데이터 이질성을 완화하는 채널 인지형 공동 인식 프레임워크인 ACC-DA를 제안한다. 이 방법은 자동주행 시나리오에서 차량 검출 정확도를 최대 3%p 향상시키고, 고 PSNR 조건에서 비트레이트를 111.1% 감소시켜 최신 기술들을 능가한다.

ABSTRACT

Collaborative perception among multiple connected and autonomous vehicles can greatly enhance perceptive capabilities by allowing vehicles to exchange supplementary information via communications. Despite advances in previous approaches, challenges still remain due to channel variations and data heterogeneity among collaborative vehicles. To address these issues, we propose ACC-DA, a channel-aware collaborative perception framework to dynamically adjust the communication graph and minimize the average transmission delay while mitigating the side effects from the data heterogeneity. Our novelties lie in three aspects. We first design a transmission delay minimization method, which can construct the communication graph and minimize the transmission delay according to different channel information state. We then propose an adaptive data reconstruction mechanism, which can dynamically adjust the rate-distortion trade-off to enhance perception efficiency. Moreover, it minimizes the temporal redundancy during data transmissions. Finally, we conceive a domain alignment scheme to align the data distribution from different vehicles, which can mitigate the domain gap between different vehicles and improve the performance of the target task. Comprehensive experiments demonstrate the effectiveness of our method in comparison to the existing state-of-the-art works.

연구 동기 및 목표

• 자율주행을 위한 다중 차량 공동 인식에서의 동적 채널 변동성과 데이터 이질성을 해결하기 위해.
• 실시간 채널 상태 정보(CSI)를 기반으로 통신 그래프를 구성하여 전송 지연을 최소화하기 위해.
• 데이터 복원에서 적응형 비율-왜곡 트레이드오프와 실시간 모델 정밀 조정을 통해 전송 효율성을 향상시키기 위해.
• 차량 간 센서 다양성과 환경 차이로 인한 도메인 간 격차를 줄이기 위해.
• 주파수 도메인에서의 진폭 스펙트럼 정렬을 통해 차량 간 특징 분포를 정렬하여 공동 인식 성능을 향상시키기 위해.

제안 방법

• 전송 지연 최소화 모듈은 실시간 CSI를 사용하여 동적 통신 그래프를 구성함으로써 평균 지연을 감소시킨다.
• 적응형 데이터 복원 메커니즘은 실시간으로 비율-왜곡 트레이드오프를 조정하고 온라인 모델 정밀 조정을 통해 시간적 중복을 최소화한다.
• 도메인 정렬 방식은 이미지를 주파수 도메인으로 변환하고 진폭 스펙트럼을 정렬하여 분포 이질성을 감소시킨다.
• 지연 인지 통신, 적응형 복원, 도메인 정렬의 세 모듈을 통합하여 엔드 투 엔드 공동 인식을 구현한다.
• t-SNE 시각화를 통해 도메인 정렬 이후 데이터 분포 분산 감소를 검증한다.
• 기존의 인식 모델들(예: V2VNet, DiscoNet, Attention Fusion)을 베이스라인으로 사용하고, 제안된 모듈을 통합하여 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 차량 네트워크에서 변동하는 무선 채널 조건 하에서 통신 그래프를 어떻게 동적으로 최적화하여 전송 지연을 최소화할 수 있는가?
• RQ2 적응형 비율-왜곡 트레이드오프와 실시간 모델 정밀 조정은 공동 인식에서 데이터 복원 효율성 향상과 중복 감소에 얼마나 기여하는가?
• RQ3 주파수 도메인 진폭 스펙트럼 정렬은 차량 간 센서 차이와 환경 변화로 인한 데이터 이질성을 효과적으로 줄일 수 있는가?
• RQ4 도메인 정렬은 공동 자율주행 시스템에서 공동 인식 성능을 어떻게 향상시키는가?
• RQ5 지연 최소화, 적응형 복원, 도메인 정렬의 병합된 영향는 종합적인 공동 인식 정확도와 효율성에 어떤 영향을 미치는가?

주요 결과

• 도메인 정렬 메커니즘은 OPV2V 데이터셋에서 Attention Fusion에 대해 1.38%, DiscoNet에 대해 2.10%, V2VNet에 대해 1.82%의 차량 검출 정확도 향상을 이룩했다.
• 도메인 정렬 적용 후, 제안된 ACC-DA 프레임워크의 전체 AP@IoU는 54.08%에서 55.06%로 상승했다.
• 적응형 정밀 조정 전략은 38.0 dB PSNR에서 비트레이트를 25% 감소시켰고, 38.6 dB PSNR에서는 111.1% 감소시켰다.
• t-SNE 시각화 결과, 도메인 정렬이 분포 이질성을 감소시켜 변환된 특징이 원본 데이터보다 더 단단한 군집을 형성하는 것으로 확인되었다.
• 전송 지연 최소화 모듈은 동적 CSI에 맞춰 통신 그래프를 적응함으로써 평균 지연을 효과적으로 감소시켰다.
• 종합 실험 결과, ACC-DA는 인식 정확도와 통신 효율성 측면에서 최신 기술들을 모두 능가하는 것으로 입증되었다.