MHCPP: A Motion-Based Historical Enhancement Collaborative Perception and Prediction Framework

doi:10.1109/TITS.2025.3608565

MHCPP: A Motion-Based Historical Enhancement Collaborative Perception and Prediction Framework

2025-10-03

0

PRE

AI

DOI：10.1109/TITS.2025.3608565

原文链接

原文求助

摘要

En 中文

多智能体协同感知通过共享感知信息，缓解了单车辆感知中感知范围有限和遮挡的问题，从而提升了感知性能。然而，当前的协同策略在复杂场景中往往难以区分运动物体与背景。这导致在数据融合过程中，关键物体数据被过多的背景信息掩盖，增加了有效集成的难度。此外，高效利用历史感知数据仍是一个重大挑战。为解决这些问题，我们提出了一种无参数的运动属性提取模块，该模块能够捕捉连续帧之间的运动特征，从而更高效地利用历史信息以增强当前感知。具体而言，我们设计了两个时序模块，以全面探索自身（ego）和协同体的历史信息。此外，我们提出了一种方法，该方法同时考虑共享信息中的全局外观特征与局部运动特征之间的关系，从而在协同过程中实现更好的前景物体数据集成。我们通过在仿真和真实世界协同基准上的实验验证了我们的算法。定性和定量结果均表明，我们提出的MHCPP在3D目标检测和预测任务上显著优于当前最优（SOTA）方法。

Keyword:

Autonomous driving

collaborative perception

motion forecast

graph neural network

MHCPP: A Motion-Based Historical Enhancement Collaborative Perception and Prediction Framework

摘要

期刊

机构

引用论文