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。