[论文解读] Augmented Informative Cooperative Perception.

Pengyuan Zhou, Pranvera Kortoçi+8 more|arXiv (Cornell University)|Jan 14, 2021

Vehicular Ad Hoc Networks (VANETs)参考文献 40被引用 4

一句话总结

本文提出了一种增强型信息性协作感知（AICP）系统，该系统具有低延迟、高效率的特点，通过仅筛选并优先传输最具信息量的视觉数据，优化了联网车辆之间的数据共享，用于增强现实抬头显示器（AR HUD）。通过结合轻量级路由协议与基于适应度的排序算法，AICP 有效降低了网络负载，在仅增加 12.6 毫秒额外延迟的同时，通过智能数据过滤减少了信道忙碌时间。

ABSTRACT

Connected vehicles, whether equipped with advanced driver-assistance systems or fully autonomous, are currently constrained to visual information in their lines-of-sight. A cooperative perception system among vehicles increases their situational awareness by extending their perception ranges. Existing solutions imply significant network and computation load, as well as high flow of not-always-relevant data received by vehicles. To address such issues, and thus account for the inherently diverse informativeness of the data, we present Augmented Informative Cooperative Perception (AICP) as the first fast-filtering system which optimizes the informativeness of shared data at vehicles. AICP displays the filtered data to the drivers in augmented reality head-up display. To this end, an informativeness maximization problem is presented for vehicles to select a subset of data to display to their drivers. Specifically, we propose (i) a dedicated system design with custom data structure and light-weight routing protocol for convenient data encapsulation, fast interpretation and transmission, and (ii) a comprehensive problem formulation and efficient fitness-based sorting algorithm to select the most valuable data to display at the application layer. We implement a proof-of-concept prototype of AICP with a bandwidth-hungry, latency-constrained real-life augmented reality application. The prototype realizes the informative-optimized cooperative perception with only 12.6 milliseconds additional latency. Next, we test the networking performance of AICP at scale and show that AICP effectively filter out less relevant packets and decreases the channel busy time.

研究动机与目标

• 解决在联网车辆之间的协作感知系统中，因传输无关或冗余数据而导致的高网络与计算开销问题。
• 通过仅选择性地共享联网车辆中最具信息量的视觉数据，提升态势感知能力。
• 通过在传输前过滤掉不相关数据，减少协作感知中的延迟与带宽使用。
• 将经过筛选的高信息量数据集成到增强现实抬头显示器中，实现实时驾驶员反馈。
• 设计一种在动态车载环境中平衡计算效率、低延迟传输与感知相关性的系统。

提出的方法

• 设计专用数据结构与轻量级路由协议，实现在车辆间快速的数据封装、解析与传输。
• 建立信息量最大化问题，以选择最适合显示的视觉数据子集。
• 在应用层实现基于适应度的排序算法，根据数据的感知信息量对其排序并优先处理。
• 将筛选出的数据集成到增强现实抬头显示器中，实现实时可视化以供驾驶员查看。
• 通过在传播前过滤掉低信息量的数据包，优化数据传输。
• 在真实场景中、带宽需求高且延迟受限的 AR 条件下评估系统性能，以验证其效率与响应能力。

实验结果

研究问题

• RQ1 协作感知系统如何高效过滤掉无关的视觉数据，以减少联网车辆中的网络与计算负载？
• RQ2 可采用何种标准与方法，客观衡量并最大化车载网络中共享视觉数据的信息量？
• RQ3 轻量级、基于适应度的数据选择机制在 AR 支持的协作感知系统中，能在多大程度上降低延迟与信道利用率？
• RQ4 将经过筛选的高信息量数据集成到增强现实抬头显示器中，对实时驾驶员感知与系统响应能力有何影响？
• RQ5 可扩展的协作感知系统是否能在真实世界网络约束下保持低延迟与高数据相关性？

主要发现

• AICP 原型系统在将信息量丰富的数据集成到增强现实抬头显示器时，仅增加 12.6 毫秒的额外延迟。
• AICP 通过过滤掉不相关数据包，显著减少了信道忙碌时间，提升了网络效率。
• 该系统的轻量级路由协议与专用数据结构可实现快速数据解析与传输，且开销极低。
• 基于适应度的排序算法能有效优先处理高感知相关性的数据，从而增强驾驶员的态势感知能力。
• 系统在大规模网络测试中表现出可扩展性，保持了低延迟与高数据相关性。
• AICP 与 AR HUD 的集成在真实场景、带宽受限条件下被证明是可行且高效的。