摘要
目标检测是智能交通系统的核心问题。近年来，基于单车激光雷达的三维目标检测技术取得了显著进展，表明其能够为智能体提供精确的位置信息，从而支持决策与路径规划。相较于单车感知，多视角车路协同感知在消除盲区、扩大感知范围等方面具有根本性优势，已成为当前研究热点。然而，现有协同感知方法多聚焦于提升融合机制的复杂度，却忽视了由于缺乏单视角轮廓信息所带来的基础性问题。为此，本文提出一种多视角车路协同感知系统——车与万物协同感知（Vehicle-to-Everything Cooperative Perception, V2X-AHD），旨在增强目标识别能力，尤其在车辆形状预测方面表现突出。首先，我们设计了一种异构非对称知识蒸馏网络，利用不同训练数据进行优化，通过多视角教师特征向单视角学生特征进行知识迁移，有效提升轮廓识别精度。针对点云数据稀疏的问题，提出Spara Pillar——一种基于稀疏卷积的轻量级特征提取骨干网络，显著减少模型参数量，同时增强特征提取能力。此外，引入多头自注意力机制（Multi-Head Self-Attention, MSA）实现单视角特征的高效融合，其轻量化设计使融合特征表达更加平滑、紧凑。在大规模开源数据集V2Xset上的实验结果表明，所提方法达到了当前最优性能。研究证实，V2X-AHD能够显著提升三维目标检测的准确性，并大幅降低网络参数数量，为车路协同感知研究提供了重要基准。本文相关代码已开源，地址为：https://github.com/feeling0414-lab/V2X-AHD。