Lernender verdichteter Kooperationsgraph für die Multi-Agenten-Wahrnehmung

Um eine verbesserte Leistung-Bandbreiten-Trade-off für die Multi-Agenten-Wahrnehmung zu erreichen, schlagen wir einen neuartigen, komprimierten Kooperationsgraphen (DiscoGraph) vor, um lernbare, pose-orientierte und adaptive Kooperation zwischen Agenten zu modellieren. Unsere zentralen Innovationen liegen in zwei Aspekten. Erstens stellen wir einen Lehrer-Schüler-Framework zur Trainings von DiscoGraph mittels Wissenskompression vor. Das Lehrermodell nutzt eine frühe Kooperation mit integrierten, überblicksartigen Eingaben; das Schülermodell basiert auf einer intermediären Kooperation mit einzelnen Ansichtseingaben. Unser Framework trainiert DiscoGraph, indem es die nach der Kooperation generierten Merkmalskarten im Schülermodell so einschränkt, dass sie den Korrespondenzen im Lehrermodell entsprechen. Zweitens führen wir eine matrixwertige Kantenbewertung im DiscoGraph ein. In dieser Matrix repräsentiert jedes Element die Inter-Agenten-Aufmerksamkeit in einem spezifischen räumlichen Bereich, wodurch ein Agent die informativen Regionen adaptiv hervorheben kann. Während der Inferenz benötigen wir lediglich das Schülermodell, das als komprimierte Kooperationsnetzwerk (DiscoNet) bezeichnet wird. Durch das Lehrer-Schüler-Framework können mehrere Agenten mit dem gemeinsam genutzten DiscoNet die Leistung eines hypothetischen Lehrermodells mit integriertem Überblick annähern. Unser Ansatz wird anhand von V2X-Sim 1.0, einem großskaligen Multi-Agenten-Wahrnehmungsdataset, das wir mittels Co-Simulation von CARLA und SUMO synthetisiert haben, validiert. Quantitative und qualitative Experimente im Bereich der Multi-Agenten-3D-Objekterkennung zeigen, dass DiscoNet nicht nur eine bessere Leistung-Bandbreiten-Trade-off im Vergleich zu den aktuellen Spitzenverfahren der kooperativen Wahrnehmung erreicht, sondern auch eine nachvollziehbarere und direktere Entwurfslogik bietet. Der Quellcode ist unter https://github.com/ai4ce/DiscoNet verfügbar.