arXiv2019年12月上传的，发表在IEEE Transactions on Intelligent Transportation Systems，10月底有修改版： “Cooperative Perception for 3D Object Detection in Driving Scenarios using Infrastructure Sensors”。

单视角或者单智体的感知，比如3-D目标检测总有一些无法解决的问题，如有限视角、低点云密度和遮挡等。那么多个空间稀疏分布的传感器（即使是单模式）可以提供协同感知克服以上问题。

融合主要分早期和晚期两种（也有中期特征级别）。本文评估两种3-D点云目标检测的融合方法，主要采用一个合成数据集，模拟两种交通场景：环岛和T-型路口。结果表面，早期融合明显好于晚期融合。另外，融合的空间点也是一个因素。

---

如图是系统模型：数据在中央融合系统汇总各个传感器的数据，形成周围车辆共享一个目标单的结果。

这里所有传感器的数据要转换成一个统一的坐标系下

如下图是早期（a-）和晚期（b-）融合的协同目标检测的示意图：

还有一种混合方案：与晚期融合相比，早期融合方案可以提高检测目标的可能性，归因于检测之前的汇聚信息，但需要原始传感器数据共享，这增加了通信成本；作为中间解决方案，混合融合方案使用这两种方案，在不显著增加通信成本的情况下提升检测的可能性；关键点是在传感器可见度较高的情况下共享高级信息（晚期融合），可见度较低的情况下共享低级信息（早期融合）；靠近传感器的目标将具有较高的点密度，因此更可能使用单个传感器的观测值来检测；因此，不需要将传感器附近的点传输到中心融合系统，可减少通信带宽。

首先，在每个传感器节点采用晚期融合方案，并将检测到的目标框共享给中心融合系统；接着，每个传感器节点选择其在水平面投影在半径R的圆之外的点，与中心融合系统共享；半径R数值用来调节早期融合和晚期融合之间的权衡；随着R减少，中心融合系统共享更多原始数据；然后，中心融合系统对输入的点云使用早期融合方案，并将检测到的边框与每个传感器节点的晚期融合结果进一步融合。

目标检测方法基于VoxelNet【19】：即Apple以前提出的方法，如图（方法不是问题重点）

模拟器采用Carla，对环岛和丁字口的模型场景如图所示：因为目前没有做这个的数据可用吧，只有自动驾驶公司才会收集实际的传感器数据。

这里采用的传感器是RGB-D，丁字口用了6个摄像头，环岛用了8个摄像头，结果depth图像会转换为点云，即

---

这里给出一些结果：

---

注：这里没有考虑车路协同，只有路端融合结果共享给车辆，而不是运动的车辆传感器和道路传感器的融合，这样会面临道路传感器数据转换到动态车辆坐标系的复杂问题。