UECP：不确定性增强的协作感知

协作感知是增强自动驾驶中个体感知能力的关键解决方案，其中的核心挑战在于寻求可靠的证据来量化和衡量每个参与主体的贡献。现有方法通常依赖于与检测头共同训练的置信图，但它与检测结果本质上相关，因此无法提供公正的物理证据。此外，如何将证据深度整合到合作融合过程中仍然是一个悬而未决的问题。为了解决这些问题，本文首先提出了一个不确定性图，这是一种用于评估感知质量的物理基础且明确的指标。该地图由实时传感器信号（即 LiDAR 点密度）直接监督，确保与检测噪声解耦，从而为加权代理贡献提供物理场景感知证据。基于这张图，我们开发了以不确定性感知金字塔融合（UAPF）模块为中心的不确定性增强协作感知（UECP）框架。 UAPF 采用从粗到细的策略，具有两个关键组成部分：用于高保真特征保留的不确定性加权下采样（UWD），以及用于增强自我特征、抑制噪声并确保鲁棒融合的不确定性引导残差融合（UGRF）。对现实世界数据集的大量实验表明，UECP 通过将不确定性图嵌入到融合中，在有效性和鲁棒性方面优于最先进的方法。代码将公开。