[论文解读] Adaptive Communications in Collaborative Perception with Domain Alignment for Autonomous Driving

Hu Senkang, Zhengru Fang+5 more|arXiv (Cornell University)|Sep 15, 2023

Visual Attention and Saliency Detection被引用 4

一句话总结

本文提出ACC-DA，一种通道感知的协作感知框架，通过动态优化通信图以最小化传输延迟，自适应地进行数据重建以实现率失真效率并减少时间冗余，并采用频域域对齐方法缓解车辆间的数据异构性。该方法在车辆检测任务中将感知准确率最高提升3个百分点，在高PSNR下将码率降低111.1%，在自动驾驶场景中优于最先进方法。

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.

研究动机与目标

• 解决自动驾驶中多车协作感知面临的动态信道变化与数据异构性问题。
• 基于实时信道状态信息（CSI）构建通信图，以最小化传输延迟。
• 通过自适应率失真权衡与数据重建中的实时模型优化，提升传输效率。
• 减少因传感器多样性与车辆间环境差异导致的域差距。
• 通过频域振幅谱对齐，对齐车辆间特征分布，提升联合感知性能。

提出的方法

• 传输延迟最小化模块利用实时CSI构建动态通信图，以降低平均延迟。
• 自适应数据重建机制实时调整率失真权衡，并通过在线模型优化最小化时间冗余。
• 域对齐方案将图像转换至频域，并对齐其振幅谱，以减少分布异构性。
• 该框架整合三个模块：感知延迟的通信、自适应重建与域对齐，实现端到端协作感知。
• 该方法使用t-SNE可视化验证域对齐后数据分布差异的减小。
• 其采用现有感知模型（如V2VNet、DiscoNet、Attention Fusion）作为基线，并通过所提模块进行增强。

实验结果

研究问题

• RQ1 在车载网络中无线信道条件变化时，如何动态优化通信图以最小化传输延迟？
• RQ2 自适应率失真权衡与实时模型优化在多车协作感知中能多大程度上提升数据重建效率并减少冗余？
• RQ3 频域振幅谱对齐能否有效缓解因车辆间传感器差异与环境变化引起的数据异构性？
• RQ4 域对齐如何提升协作自动驾驶系统中的联合感知性能？
• RQ5 延迟最小化、自适应重建与域对齐的联合影响对整体协作感知准确率与效率有何作用？

主要发现

• 域对齐机制使Attention Fusion在OPV2V数据集上的车辆检测准确率提升1.38%，DiscoNet提升2.10%，V2VNet提升1.82%。
• 引入域对齐后，所提ACC-DA框架的mAP@IoU从54.08%提升至55.06%。
• 自适应优化策略在38.0 dB PSNR下实现25%的码率降低，在38.6 dB PSNR下实现111.1%的码率降低，相较非优化重建。
• t-SNE可视化证实，域对齐降低了分布异构性，经变换后的特征聚类比原始数据更紧密。
• 传输延迟最小化模块通过根据动态CSI自适应调整通信图，有效降低了平均延迟。
• 全面实验表明，ACC-DA在感知准确率与通信效率两方面均优于最先进方法。