OPV2V：面向车联网通信感知的开源基准数据集与融合流程

近年来，利用车对车（Vehicle-to-Vehicle, V2V）通信提升自动驾驶技术中的感知性能引起了广泛关注；然而，由于缺乏合适的公开数据集用于算法基准测试，协作感知技术的开发与评估面临较大挑战。为此，我们提出了首个大规模开源模拟数据集，用于车对车感知研究。该数据集涵盖70余个具有代表性的场景，共计11,464帧图像，包含232,913个标注的三维车辆边界框，数据来源于CARLA仿真平台中的8个城镇以及洛杉矶库尔弗城（Culver City）的数字孪生城镇。在此基础上，我们构建了一个全面的基准测试体系，共集成16种实现模型，用于评估多种信息融合策略（包括早期融合、晚期融合与中间融合）与当前最先进的激光雷达（LiDAR）检测算法的结合效果。此外，我们提出了一种新型的注意力驱动中间融合（Attentive Intermediate Fusion） 框架，用于整合多辆联网车辆的感知信息。实验结果表明，该融合框架可无缝集成至现有的三维激光雷达检测器中，并在极高压缩率下仍能保持卓越的性能表现。为促进更多研究者深入探索车对车感知技术，我们已将该数据集、基准测试方法及全部相关代码开源，发布于：https://mobility-lab.seas.ucla.edu/opv2v/。