国内研究人员推出一款面向智能网联、自动驾驶车辆的高效协同感知框架，也就是 Which2comm，专门解决现在车车、车路协同感知里传输量大、带宽不够、路口遮挡看不清目标的痛点，这套方案不再让车辆互相发送完整图像、点云或者整张特征图，而是只传递带语义信息的目标级稀疏特征，同时还自带自适应选择机制，只挑选对安全至关重要的联网车辆参与协同，以此稳住通信开销，研究团队还配套搭建了大规模多模态 V2X 数据集 Multi‑V2X，用来在车辆密度很高的复杂路况下验证效果，实测显示这套框架既能压低通信流量，还能提升三维目标检测准确率，就算通信存在延迟，整体感知稳定性也优于不少现有方案，给后续智能网联车辆落地协同感知提供了一条更贴合真实道路带宽条件的技术路线。

一、这套高效协同感知框架要解决的痛点清单

• 通信带宽吃紧：传统协同感知方案传输密集特征或者原始传感器数据，车辆一多很容易把 V2X 通道占满，延迟飙升。
• 单车感知存在盲区：被大车、建筑遮挡时，单车传感器看不到拐角、远端行人与车辆，容易漏检。
• 高密度车流难适配：路口多车交汇，如果所有车辆同时交互数据，算力和通信压力会成倍上涨。
• 缺少贴合国内路况的测试数据集：过往很多方案只用小规模数据集验证，很难模拟真实道路大量联网车同时运行的场景。

二、框架核心运行流程

1. 目标级稀疏特征生成：每台自动驾驶车辆本地提取目标信息，生成语义检测框，把关键语义打包成稀疏特征。
2. 自适应协同对象筛选：系统自动判断，只选择对当前行车安全有价值的联网车辆交换信息，避免无效传输。
3. 跨设备特征交互融合：只发送精简后的目标特征，接收端把外来特征和自身感知结果做融合。
4. 三维目标检测输出：融合完成之后，输出障碍物、行人、其他车辆的三维位置，给到自动驾驶规划控制模块。

三、配套数据集基础信息

四、框架核心技术优势

• 通信开销更低：传输对象是目标级稀疏特征，对比传输整张特征图，大幅减少数据流量。
• 高密度车流适应性强：依靠自适应选择策略，不会因为路上联网车辆变多就直接过载。
• 抗延迟能力更好：在存在通信时延的条件下，目标检测精度依旧保持稳定。
• 开源验证基础完备：依托 Multi‑V2X 数据集，可以方便后续其他科研团队对比、迭代算法。

【相关 FAQ】

问题 1：这款面向智能网联自动驾驶车辆的高效协同感知框架，采用什么样的数据传输思路？

回答 1：这款高效协同感知框架不传输原始传感器数据或者密集特征图，而是传输目标级稀疏特征，并且会自适应挑选需要协同的车辆，以此降低通信负载。

问题 2：验证这个智能网联自动驾驶高效协同感知框架，用的是什么数据集？

回答 2：研究团队专门搭建 Multi‑V2X 多模态 V2X 数据集，包含十几万帧画面、数百万三维标注，可以模拟高密度车流，用来测试这套高效协同感知框架。

问题 3：这套高效协同感知框架什么时候能够装车商用？

回答 3：当前这套智能网联自动驾驶高效协同感知框架属于学术研究成果，只完成数据集验证，还没有进入实车量产阶段，后续还要实车路测、工程化改造，暂无确定商用时间表。

问题 4：高效协同感知框架和普通单车感知相比，在安全层面有什么提升？

回答 4：普通单车感知受遮挡限制，而这套高效协同感知框架借助多车信息互通，可以看到单车传感器覆盖不到的盲区，更早发现被遮挡的行人、车辆，提升路口复杂路况下的行车安全。

【参考资料】

[2026-11-10]（中国研究人员发明用于智能网联和自动驾驶车辆的高效协同感知框架）网通社

[2026-11-10]（中国研究人员发明用于智能网联和自动驾驶车辆的高效协同感知框架）凤凰网汽车

[2026-11-02]（MirrorComm：面向自动驾驶的通信高效协同感知框架）arXiv

[2026-04-01]（基于点特征精细对齐的网联自动驾驶车辆协同感知）SciOpen

【免责声明】

本文素材来源于公开新闻报道与学术论文资料，该智能网联自动驾驶高效协同感知框架目前属于科研成果，尚未量产落地，不构成任何投资、购车建议，后续技术落地进度请以研究团队、车企官方公告为准。