🔥 今日值得一读
匿名异构感知也能实时协作！PEARL仅1.67毫秒实现8.2%精度提升
PEARL: A Lightweight Prompt-based Feature Interpreter Framework for Real-Time, Anonymous, and Heterogeneous Collaborative Perception
👨💼 主理人解读 · 为什么值得关注
做多智能体协同感知的开发者可用它无需邻居配置即可实时对齐异构特征，支持动态加入的智能体。
📖 AI 总结
PEARL 是一个面向协同感知（CP）的轻量级提示嵌入框架，旨在解决异构智能体因传感器、架构和训练数据差异导致的域间隙问题。现有方法通常依赖模型重训练或按智能体类型定制的解释器，不仅需要获取邻居配置信息，也难以满足实时部署需求，且对运行时新加入的未知智能体泛化能力差。PEARL 通过并行训练两个多尺度轻量解释器来应对：稀疏检测解释器负责对齐显著区域以支持协同检测，稠密域不变解释器则生成智能体无关特征用于快速选择解释器，二者均采用低秩视觉提示以降低计算、存储和模型复杂度。在 OPV2V、V2XSet 和 DAIR-V2X 等仿真与真实数据集上的实验表明，该框架可跨仿真与真实协同驾驶场景泛化，其实时模型选择策略相比随机选择基线提升 8.2% 平均精度，平均运行时间仅 1.67 毫秒；在传统离线训练下，其平均精度比现有异构协同感知框架高 5.6%，通信开销最多降低 34.7 倍。此外，PEARL 无需共享智能体配置或模型设置，有助于保护专有或隐私信息，为异构协同感知提供了一种可扩展且实用的方案。
🔑 关键词速览
| Collaborative Perception (CP) | 协作感知，多个智能体通过共享信息协同完成环境感知任务的技术。 |
| Heterogeneity | 异构性，指不同智能体在传感器、架构和训练数据等方面存在的差异。 |
| Prompt-Embedding | 提示嵌入，一种通过可学习的提示向量来适配模型特征的方法。 |
| Low-rank Visual Prompts | 低秩视觉提示，利用低秩分解减少提示参数量的轻量化技术。 |
| Average Precision (AP) | 平均精度，目标检测中常用的综合评价指标，衡量检测结果的准确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅