本文对EI-Drive: A Platform for Cooperative Perception with Realistic Communication Models进行介绍，EI-Drive将协同感知和通信延迟与误差融合，打造了一个更贴近车间通信（V2V Communication）真实部署环境的自动驾驶平台，为抗通信干扰的相关自动驾驶算法提供了测试和训练的平台。
项目详情：https://ucd-dare.github.io/eidrive.github.io/
开源代码：https://github.com/ucd-dare/EI-Drive
论文链接：https://arxiv.org/abs/2412.09782
研究动机
随着自动驾驶领域的不断发展，协同感知（Cooperative perception）得到了越来越多的关注，它使多个车辆或RSU能够共享传感器数据，从而增强其对环境的感知。这种方法对克服传感器遮挡、视野受限以及噪声等限制尤为重要，这些限制可能导致障碍物的遗漏或决策上的致命错误。
现有的一些自动驾驶平台已经具备协同感知相关功能，并实现了其与仿真环境的交互。然而，当前相关测试平台的一个主要局限在于其采用了不现实的通信模型。由于协同感知高度依赖于单位之间的通信，通信过程对车辆感知的质量起着至关重要的作用。诸如传输延迟和错误等关键因素可能对实时决策产生负面影响，从而大大降低整体性能。遗憾的是，大多数现有研究并未考虑到协同感知中的传输延迟和错误，而这些在现实世界的车间通信中却是不可避免的。
EI-Drive框架
论文贡献
为了在真实通信条件下评估协同感知及其他自动驾驶算法的性能和鲁棒性，我们开发了 EI-Drive 仿真平台，将现实的通信模型集成到平台设计中。EI-Drive 融合了若干项功能，以克服现有自动驾驶仿真平台的局限性。本文的主要贡献总结如下：
EI-Drive 集成了现实的通信模型: EI-Drive在协同感知中集成了现实的通信模型。这使得多个智能体（如车辆和 RSU）能够共享和融合传感器数据，在复杂驾驶环境中显著增强其态势感知能力。包含传输延迟和错误的通信模型准确地再现了自动驾驶车辆在真实网络条件下面临的环境，提升了测试的鲁棒性和可靠性。
内置多智能体测试场景: EI-Drive 内置包含复杂交通和多变网络条件的场景，具有较强的对多智能体动态环境的仿真能力。这些内置场景结合了world scripts和 EIScenarios，专为探索智能体之间的交互和不同功能（如协同感知和通信模型）而设计，用于在复杂动态环境中对自动驾驶算法进行测试。
在传输延迟和错误条件下对协同感知进行实验: 基于内置场景，我们在现实的通信模型下对协同感知进行了实验研究。结果表明，传输延迟和错误对协同感知性能及车辆行为产生了显著影响。此外，这些实验突出了 EI-Drive 作为强大工具的能力，能够有效模拟通信模型与自动驾驶系统之间的复杂交互。
实验结果
1）基于规则的自动驾驶
EI-Drive包含一个较为简单的基于规则的自动驾驶算法，以实现车辆的自主寻路、识别、避障。该算法将成为后续更复杂实验的基础。我们设计了四种不同的任务，包括超车、跟车、红绿灯和停车标志，以展示该自动驾驶算法的基本能力。在所有场景中，自车（ego vehicle）采用多模态输入，并采用多种感知方法。
多模态传感器：展示了自车在每个场景中利用多模态传感器的行为。在超车场景中，自车成功连续超越前方两辆车，确保换道安全且无碰撞。在跟车场景中，自车以安全距离跟随前方车辆。在红绿灯场景中，自车能够正确识别红绿灯并通过路口。在停车标志场景中，自车在停车标志前停车，然后继续前进。实验表明，自车能够识别环境中的目标并作出正确响应，确保轨迹规划和运动控制的安全性与流畅性。
感知方法：为了进一步细化感知模块中的目标检测方法，我们在超车和跟车场景中测试了内置的感知方法。实验利用了内置的 Oracle、YOLOv5 和 SSD 算法，对自车摄像头图像进行目标检测。如图所示，这些方法能够准确检测车辆并可视化边界框。
2）碰撞规避任务
为了更好地突出协同感知扩展自车感知能力并提高安全性的作用，我们设计了基于碰撞规避任务的实验。在该实验中，自车需要通过一个没有红绿灯的路口，而一辆被消防车遮挡的左侧来车可能引发潜在碰撞。为了避免碰撞，协同感知从观测车辆或 RSU（路侧单元）提供有关这辆隐藏车辆的额外信息，帮助自车做出正确决策。
在上图中，我们研究了协同感知、传输延迟和传输错误的影响。在此实验中，我们将延迟和错误率分别设置为 0.3 秒和 30%。如图所示，仅当启用了协同感知时，才能可视化消防车后方来车的边界框。然而，在未启用协同感知的情况下，自车只能在来车从消防车后方进入其视野时才检测到，而此时自车已无法及时刹车。图中的第三行和第四行则突出显示了传输延迟和错误的影响，分别导致边界框位置偏离真实位置和部分边界框帧的丢失。
我们在更多场景和不同实验设置下测试了协同感知的性能，其结果如上表所示。很显然，协同感知能有效提高自动驾驶系统的安全性，而通信延迟和错误将降低整体性能。
3）目标检测任务
为了进一步验证协同感知在不同任务中的性能，我们设计了目标检测任务。在这些场景中，自车分别在观测车辆和 RSU 的帮助下，在路口实时检测繁忙交通中的车辆。检测到的车辆数量作为评估性能的重要指标，该指标将受到有限视角和检测范围的限制。
如上图所示，未启用协同感知时，由于周围车辆遮挡，自车的感知范围受限。当启用协同感知时，观测车辆和 RSU 分享感知信息以扩展感知范围，从而显著增加了检测到的车辆数量。此外，由于目标检测并非总是稳定的，来自多个来源对同一目标的冗余检测提高了感知的鲁棒性。因此，协同感知在城区复杂交通环境下大幅提升了车辆的感知能力。
