vehicle-to-everything
PulseAugur coverage of vehicle-to-everything — every cluster mentioning vehicle-to-everything across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
AI框架提升交通系统碰撞预测能力
研究人员开发了一种新颖的时空语义V2X框架，旨在改进智能交通系统中的碰撞预测。该框架利用视频联合嵌入预测架构（V-JEPA）生成未来交通场景的语义嵌入，然后通过V2X链路传输给车辆。通过仅发送这些语义嵌入而非原始视频数据，该系统显著降低了通信开销，同时提高了预测精度。实验表明，碰撞预测的F1分数提高了10%，传输需求减少了四个数量级。
-
用于 5G/6G 网络中具有截止时间意识的 V2X 调度的微型 LLM 代理
研究人员开发了 Agentic-V2X，这是一种利用微型语言模型进行 5G/6G 网络中具有截止时间意识的车辆到一切 (V2X) 调度的创新架构。该系统采用本地部署的微型语言模型来创建周期性策略，然后由轻量级控制器进行验证和执行。该框架旨在通过确保策略的有效性和安全性来解决大型语言模型在实时网络调度中的局限性，在关键可靠性指标方面表现具有竞争力，但总体上并未超越最强的静态策略。
-
新的V2X协同感知框架通过混合测试得到验证
研究人员为车联网（V2X）协同感知（CP）系统开发了一种新的概率框架和混合验证方法。该方法使用贝叶斯融合算法创建共享的概率占用网格，通过整合来自多个代理的数据来增强联网和自动驾驶汽车的态势感知能力。该框架结合了CARLA模拟和车辆在环测试，以弥合虚拟和现实世界评估之间的差距。在环岛场景中的实验显示，视场覆盖范围显著增加，占用单元召回率得到提高，支持了合作式自动驾驶汽车的安全部署。
-
新的 CooperScene 数据集对具有 C-V2X 的多智能体自主性进行基准测试
研究人员推出了 CooperScene，这是一个旨在评估车联网和自动驾驶汽车 (CAVs) 中协同自主性的新数据集。该数据集通过纳入通信带宽动态、多样化传感和多智能体可扩展性等现实世界因素，解决了现有基准测试的局限性。CooperScene 包含具有多个 CAV 和路侧单元的高保真场景，配备多模态传感器和 C-V2X 通信，提供详细的注释和通信表征，以进行严格的性能评估。
-
QuantV2X系统在车辆感知方面实现3.2倍低延迟
研究人员推出QuantV2X，一个新颖的多智能体系统，专为车辆高效协同感知而设计。该系统对神经网络模型和传输消息进行全量化处理，显著降低了计算和传输成本，同时不牺牲准确性。与全精度系统相比，QuantV2X实现了3.2倍的系统级延迟降低和mAP30的显著提升，使其更适合实时、资源受限的环境。
-
DinoLink框架大幅降低V2X感知带宽需求
研究人员推出DinoLink，一个新颖的框架，旨在压缩在严格带宽限制下运行的车联网（V2X）感知系统中的表示数据。该方法用离散语义通信取代原始像素数据的传输，实现了车辆与云之间的协同推理。DinoLink采用双稀疏架构，修剪背景Token并将特征量化为紧凑索引，从而在窄带环境中显著降低比特率并加快处理速度。
-
新的CABLE框架提高了V2X系统中LMM的效率
研究人员开发了CABLE，一个旨在提高大型多模态模型（LMM）在车联网（V2X）系统中效率的新框架。该系统通过仅将感兴趣区域（ROIs）的遮蔽部分从边缘设备上传到云端，而不是上传完整分辨率的帧，从而减少了通信开销和云端延迟。CABLE利用先前的分割掩码、自身运动补偿和残差运动线索来定义这些ROIs，在云端和边缘之间创建了一个反馈循环。在多个数据集上的实验表明，在检测质量略有下降的情况下，通信节省显著，LMM预填充速度得到提高。
-
Survey details deep multi-task learning for autonomous vehicles
本文全面回顾了应用于网联自动驾驶汽车（CAVs）的深度多任务学习（MTL）技术。文章探讨了MTL如何使单个模型能够处理感知、预测、规划和控制等多种任务，这对于在复杂驾驶场景中实现高效实时运行至关重要。该调查根据任务是仅由本车执行还是通过车联网（V2X）通信增强来对现有研究进行分类，并考察了V2X通信和无线资源管理背景下的MTL。作者们指出了当前研究的空白，并为推进CAV系统中的MTL提出了未来方向。
-
Hyper-V2X 框架估计驾驶感知不确定性
研究人员开发了 Hyper-V2X，一个利用超网络估计自动驾驶合作语义分割中认知和偶然不确定性的新框架。该方法将贝叶斯超网络与 V2X 通信融合的多智能体特征相结合，以生成随机鸟瞰分割的权重分布。该方法与架构无关，并在 OPV2V 基准上进行了演示，以极低的计算开销提供了准确的不确定性估计，从而提高了整体感知可靠性。
-
新的V2V协议增强了密集空域中的无人机协调
研究人员开发了一种新的无人机系统（UAS）通信协议，以改善密集、低空空域中的战术协调和隔离。这种意图优先的车辆对车辆（V2V）系统将状态和意图信息与事件触发消息相结合，用于合作感知和应急规划。使用C-V2X模块进行的评估表明，该协议减少了信念分歧并增强了可观测性，尽管在高度密集或受损条件下的有效性会降低。
-
Camera-primed AI system VIBE improves mmWave beam management for vehicles
研究人员开发了一个名为VIsion-based BEamforming (VIBE)的新系统，以改进车辆连接的毫米波 (mmWave) 实时波束管理。VIBE结合了机器学习、基于模型的推理和射频反馈，利用摄像头输入来减小波束对齐的搜索空间。该方法旨在克服车联网 (V2X) 网络中的路径损耗和波束失准等挑战。评估表明，与现有的5G NR方法相比，VIBE实现了更低的掉线率，并且优于其他机器学习模型。
-
AFFormer 通过自适应特征融合增强 V2X 协同感知
研究人员开发了 AFFormer，这是一个新颖的基于 Transformer 的框架，旨在提高自动驾驶汽车在通信受损条件下的协同感知系统的鲁棒性。该系统通过对时间、代理间和空间相关性进行建模，解决了车联网 (V2X) 通信中的噪声和衰落等挑战。AFFormer 包含上下文感知融合、双空间注意力和不确定性引导细化模块，并通过师生知识蒸馏策略进一步增强。在标准数据集上的评估表明，AFFormer 在性能和效率方面优于现有方法，尤其是在通信…
-
研究人员开发用于通过V2X数据进行鲁棒3D目标检测的噪声感知训练
研究人员开发了一种将车联网（V2X）通信数据集成到自动驾驶3D目标检测系统中的新方法。该方法旨在克服车载传感器（如摄像头和雷达）的局限性，这些传感器在遮挡和能见度差的情况下表现不佳。该研究引入了一种噪声感知训练策略，以确保系统即使在V2X数据不完美（如延迟和低渗透率）的情况下也能保持鲁棒性。
-
人工智能增强交通安全，物联网数据流量爆炸式增长在即
一篇新的研究论文探讨了在智能交通系统中使用机器学习模型进行入侵检测。该研究提出了一个联邦混合入侵检测框架，该框架在边缘计算节点利用随机森林、决策树和线性SVM网络。这种方法旨在通过实现主动、自给自足的威胁中和来增强互联交通系统的安全性。