用于多智能体感知的蒸馏协作图学习

为实现多智能体感知中性能与带宽之间的更优权衡，我们提出一种新型的蒸馏协作图（Distilled Collaboration Graph, DiscoGraph），用于建模可训练、姿态感知且自适应的智能体间协作关系。本工作的核心创新体现在两个方面。首先，我们提出一种教师-学生框架，通过知识蒸馏的方式训练 DiscoGraph。其中，教师模型采用基于全局视图输入的早期协作策略，而学生模型则基于单视角输入的中间阶段协作。该框架通过约束学生模型在协作后的特征图，使其与教师模型中的对应关系保持一致，从而实现对 DiscoGraph 的有效训练。其次，我们引入一种矩阵值边权重机制于 DiscoGraph 中。该矩阵中的每个元素表征特定空间区域内智能体间的交互注意力，使智能体能够自适应地聚焦于信息丰富的区域，提升协作效率。在推理阶段，仅需使用学生模型——即蒸馏后的协作网络（DiscoNet），即可完成高效感知任务。得益于教师-学生框架的设计，多个共享 DiscoNet 的智能体能够协同逼近一个具有全局视图的假设性教师模型的性能表现。我们在 V2X-Sim 1.0 上对所提方法进行了验证，该数据集是一个大规模多智能体感知数据集，我们通过 CARLA 与 SUMO 的联合仿真合成生成。在多智能体三维目标检测任务中的定量与定性实验表明，DiscoNet 不仅在性能与带宽的权衡上优于当前最先进的协同感知方法，还具备更为清晰直观的设计逻辑。相关代码已开源，可访问：https://github.com/ai4ce/DiscoNet。