本研究提出了一种新的无人机协同感知框架LIF，解决了现有方法忽视无人机视角特征的问题。LIF通过交换紧凑的检测结果和引入不确定性驱动的通信机制，减少通信开销，提升信息共享质量和性能，实验验证了其效率和实用性。

本研究提出了CoDTS框架，通过双教师-学生模型增强稀疏监督协同感知，解决全标注数据集成本高的问题。该框架生成高质量的伪标签，并优化伪标签的质量与数量平衡，实验证明其在稀疏监督协同感知中达到了新的水平。

该研究提出了多种基于协同感知的框架和算法，以提升多智能体系统在3D物体检测中的性能和通信效率。通过引入延迟感知、空间置信图和自定位技术，优化了感知特征的同步和信息共享，显著提高了鲁棒性和效果。实验结果显示，这些方法在不同数据集上表现优异，降低了通信成本并提升了任务性能。

本文提出了一个全面的多机器人协同感知数据集，旨在推动该领域的研究。该数据集结合空中与地面机器人的协同，提供多样化的传感器视角和高级感知注释，以促进多机器人协同感知算法的发展。通过多个任务验证了数据集的价值，期望提升多模态协同感知的场景理解能力。

本研究提出了一种自动生成3D地下车库模拟场景的方法，以支持自动驾驶技术的训练。通过程序化内容生成和深度强化学习，生成不同难度的场景，从而提高自动驾驶模型的训练效率和安全性。模拟测试在真实世界测试前至关重要，研究还探讨了协同感知和深度学习在自动驾驶中的应用。

该文综述自动驾驶三维占据预测与协同感知研究，提出协同检测框架以节省通信与计算；OVO实现开放词汇语义占据；单模态融合中早期融合精度高、后期融合开销低；DOGM、OccNet、S2TPVFormer等提升行为预测与占据预测一致性，降低碰撞率。

本文综述自动驾驶协同感知研究，针对车对车通信受限、信道衰落和数据异构等问题，提出自适应加权中间融合、COOPERNAUT、ACC-DA及选择性通信等方法，通过动态调整通信图、压缩数据和融合多车LiDAR点云，提升感知精度与鲁棒性，降低带宽和延迟，增强极端场景下的驾驶安全性。

该文综述BEV感知研究，涵盖多代理多摄像头协同BEV地图预测（CoBEVT）、利用未标记图像的半监督视觉BEV语义分割、时空融合BEV表征（TBP-Former）、异步协同感知消息补偿（CoBEVFlow）、时空统一BEV表示学习（BEVFormer）、三维感知与预测统一（BEVerse），以及基于深度的两阶段语义分割、轨迹预测系统和动态BEV查询方法。

该文汇总多篇自动驾驶感知研究，核心是平衡实时性与准确性，涉及SlowTrack对抗攻击、流式准确性基准、双流动态静态感知、边缘计算卸载、延迟感知协同感知SyncNet、ApproxDet自适应检测等，通过优化延迟与精度权衡提升感知性能。

该文汇总多项研究，聚焦流式感知与协同感知，涵盖：以深度强化学习权衡精度与延迟；提出流式准确性基准；学习通信组以降低带宽；借鉴认知科学构建感知系统；设计AI中心自适应感知框架；提出CASPER符号认知架构实现人机协作；用仿真评估感知误差对决策影响；提出DFP流式检测方法；构建SCOPE协同感知框架；以及移动设备隐私保护特征学习。

该研究探讨了协同感知在连接和自动驾驶车辆中的应用，并提出了一种安全分析及应对措施，以减轻恶意攻击对感知结果的干扰。实验验证攻击方式成功率较高，提出了异常检测方法缓解恶意攻击的影响。