← 返回论文列表

Hyper-V2X：用于估计协同鸟瞰语义分割中认知与偶然不确定性的超网络
Hyper-V2X: Hypernetworks for Estimating Epistemic and Aleatoric Uncertainty in Cooperative Bird's-Eye-View Semantic Segmentation

作者: Abhishek Dinkar Jagtap, Sanath Tiptur Sadashivaiah, Andreas Festag
arXiv: 2605.21309v1
分类: cs.CV, cs.RO
📝 论文摘要
基于车联网（V2X）通信的协同感知通过共享传感器数据构建统一环境表征，从而提升自动驾驶安全性。尽管近期研究通过多智能体融合提升了感知性能，但此类协同框架中的不确定性量化仍鲜有探索。本文提出Hyper-V2X——一种基于超网络的框架，用于估计V2X感知中的认知不确定性和偶然不确定性。具体而言，我们设计了一种部分权重生成方案和V2X上下文嵌入模块，该模块将贝叶斯超网络条件化于融合的多智能体特征上，为随机鸟瞰图（BEV）分割生成权重分布。与现有的确定性BEV模型不同，Hyper-V2X仅需极小的计算开销即可实现高效的不确定性估计。本方法架构无关，可无缝集成至CoBEVT等现代协同骨干网络中。在OPV2V基准上的实验表明，Hyper-V2X能够提供精确且校准良好的不确定性估计，并提升整体感知可靠性。我们的代码与基准已在开源许可下公开：https://github.com/abhishekjagtap1/Hyper-V2X

📊 核心分析

🎯 研究动机
- 现有**V2X协作感知(V2X-based cooperative perception)** 框架主要关注多智能体融合提升感知精度，但**不确定性量化(uncertainty quantification)** 在协作框架中尚未充分探索 - 现有方法多为确定性BEV模型，缺乏对认知不确定性(epistemic uncertainty)和偶然不确定性(aleatoric uncertainty)的可靠估计 - 协作感知面临通信噪声、传感器差异等不确定性因素，需要可校准的不确定性估计以提升自动驾驶安全性
🔧 核心方法
- 提出**Hyper-V2X框架**，基于**超网络(hypernetwork)** 方法生成权重分布，实现随机BEV语义分割 - 设计**部分权重生成方案(partial weight generation scheme)** 和**V2X上下文嵌入模块(V2X context embedding module)**，将融合的多智能体特征作为条件输入到**贝叶斯超网络(Bayesian hypernetwork)** 中 - 方法**架构无关(architecture-agnostic)**，可无缝集成到现代协作骨干网络如**CoBEVT** 中 - 在**OPV2V基准** 上进行实验验证
💡 核心创新
- **首次** 实现V2X协作感知中同时估计**认知不确定性(epistemic)** 和**偶然不确定性(aleatoric)**，填补了该领域空白 - 提出**部分权重生成** 策略，相比全超网络显著降低计算开销，使得不确定性估计几乎不增加额外计算量 - **超网络条件机制**：利用融合的多智能体特征动态生成随机分割头的权重，而非固定权重，实现高效不确定性估计 - 方法**架构无关**，可即插即用于不同协作骨干，具有良好的通用性
🏆 总体贡献
- 为V2X协作感知领域提供了首个**可同时估计认知与偶然不确定性的超网络框架** - 在OPV2V基准上验证了方法能够生成**准确且校准良好(well-calibrated)** 的不确定性估计，提升整体感知可靠性 - 开源代码和基准，促进社区对协作感知不确定性研究的复现与进一步探索