Autonome Fahrzeuge sind stark auf ihre Sensoren angewiesen, um die Wahrnehmung ihrer Umgebung präzise zu gestalten. Derzeit beschränkt sich jedoch die von einem Fahrzeug genutzte Datenmenge auf die Informationen, die von dessen eigenen Sensoren erfasst werden. Der Austausch von Daten zwischen Fahrzeugen und/oder Edge-Servern ist durch die begrenzte Netzbandbreite sowie die strengen Echtzeitanforderungen autonomer Fahranwendungen eingeschränkt. Um diese Herausforderungen zu bewältigen, schlagen wir einen kooperativen Wahrnehmungsrahmen basierend auf Punktwolken-Features (F-Cooper) für vernetzte autonome Fahrzeuge vor, um eine präzisere Objekterkennung zu erreichen. Neben der ausreichenden Eignung der Feature-basierten Daten für den Trainingsprozess nutzen wir zudem die inhärent geringe Größe dieser Features, um eine Echtzeit-Edge-Verarbeitung zu ermöglichen, ohne die Netzwerkbandbreite zu überlasten. Unsere Experimente zeigen, dass durch die Fusion von Features eine signifikant verbesserte Objekterkennung erreicht wird – eine Verbesserung um etwa 10 % bei Erkennungen innerhalb von 20 Metern und bis zu 30 % bei größeren Entfernungen – sowie eine beschleunigte Edge-Verarbeitung mit geringer Kommunikationsverzögerung, wobei bestimmte Feature-Auswahlen lediglich 71 Millisekunden benötigen. Soweit uns bekannt ist, stellen wir hiermit erstmals eine Feature-Ebene-Datenfusion für vernetzte autonome Fahrzeuge vor, um die Objekterkennung zu optimieren und eine Echtzeit-Edge-Verarbeitung inter-fahrzeugbezogener Daten für autonome Fahrzeuge praktikabel zu machen.