米米

随着自动驾驶技术的快速发展，车辆需要具备对周围环境的高精度、实时感知能力，以保证行驶安全并支撑智能交通、城市管理等应用。然而，单一传感器存在局限：相机具备丰富语义信息，但深度估计容易受遮挡、光照、动态模糊影响；而LiDAR提供几何精确性，但数据稀疏且对小目标不敏感。 因此本项目提出了一种目标检测技术，以突破多传感器异构性与模态差异，构建一个动态跨模态雷视融合的3D目标检测框架。主要目标包括： 1.构建统一的鸟瞰图（BEV）表示空间，实现相机与LiDAR的高效对齐与互补； 2.提升动态环境下的检测鲁棒性，解决快速运动、遮挡带来的不稳定问题； 3.通过跨域注意力机制实现关键目标的多尺度增强，确保检测的精确性和一致性。 本系统由三个核心模块构成：首先通过超源模态构建将相机伪点云与LiDAR点云统一到BEV空间，兼顾语义信息与几何精度；其次利用动态回溯时序融合引入多帧历史特征，提升动态环境下的检测连续性与鲁棒性；最后通过跨域注意力引导融合在关键区域选择性供应超源特征，强化多尺度和多模态表示，并结合Transformer检测头输出精确的三维目标结果。 系统整体流程包括：首先采集多视角相机图像和LiDAR点云，并完成统一特征对齐；随后在BEV空间生成超源特征，通过时序融合与跨模态注意力机制实现特征增强；最终将融合后的BEV表示输入检测模块，输出目标类别、位置和运动状态，形成可直接服务于自动驾驶决策、路径规划和交通监测的检测结果。

智能体决策时往往需要兼顾实时性、协同性和鲁棒性，为了解决智能体在高维状态空间中长期决策困难的问题，本项目提出一种多智能体协作对抗方法。该模型可以： 1.构建拟真的城市对抗环境模型，支持多类智能体的交互与博弈； 2.通过强化学习提升多智能体协作与对抗能力，兼顾同构与异构智能体； 3.提高收敛速度和奖励回报率。 该模型构建了真实对抗环境，采用近端策略优化的AC结构，结合嵌入方法解决异构智能体的空间差异；还设计了自适应经验采样模块，融合 on-policy 与 off-policy 数据，提高经验利用率并加快收敛速度；最后采用了权重继承机制，在智能体消失时将其策略传递给队友，保证任务执行的连续性和快速适应性。 系统运行流程包括四个阶段：首先进行初始化与建模，设置城市环境和智能体组别；其次是交互与训练，由AC网络输出动作并进行价值评估，将状态与奖励存入经验池；接着在策略优化阶段，通过近端策略优化结合自适应采样不断改进策略，同时利用嵌入方法保证异构智能体的训练一致性；最后进入分布式执行，各智能体基于局部观测独立决策，并通过权重继承保持协作，从而实现最终目标。