提出了一种基于点云特征的协同感知框架（F-Cooper）：1）利用特征级融合实现端到端的 3D 目标检测，特征级数据传输不会有网络拥塞的风险，可实现实时边缘计算和低通信延迟；2）除了能够提高检测精度外，特征融合所需的数据量仅为原始数据量的百分之一，在数据量和传输时间上都很好地处于 On-Edge 计算和通信的可接受范围内；3）两种融合方案：体素特征融合和空间特征融合。

为了实现可靠的车辆驾驶环境识别，并提供适当的道路安全应用，提出了基于车载传感器和车辆无线通信的协同感知方法。提出了基于车辆无线通信数据与车载传感器数据融合的协同感知方法，其中，采用了基于Kalman滤波的方法来融合车载传感器感知和通过V2X通信接收到的目标轨迹数据，以准确可靠地定位车辆周围的远程目标并预测其未来的轨迹。1）所提出的方法应用范围被限制在Ego车辆周围存在单一远程目标的驾驶场景中。2）

通过使用基于Iterative Closest Point（ICP）和Optimal Transport（OT）的融合算法，来增强协同感知框架对pose error的鲁棒性。基于ICP的匹配算法通过迭代优化找到Source点和target点之间的相对变换；但是，该方法对那些没有对应关系的点比较敏感，并且需要选择一个合适的neighbour search参数，直接影响到点云注册结果。

在协同感知中进行domain gap识别（空间分辨率、通道数量、模式），为解决这3个主要的特征差异问题，提出了一个Multi-agent Perception Domain Adaption（MPDA）框架，可在多个维度上对特征进行调整。提出了一个Learnable Feature Resizer，以自适应的方式更好地调整来自其他agent的空间和通道特征。提出了一个Sparse Cross-do

由传感和通信系统的固有限制（遮挡和有限的通信带宽）引起的可扩展性和可靠性问题仍然是具有挑战性的问题。自动驾驶汽车系统的安全性取决于感知和inference系统的稳健性。但是，提高传感系统的质量是昂贵的，即使是高质量的LiDAR设备也不能克服遮挡问题。

提出了架构和分类法，以说明协同感知系统的基本组成部分和核心内容。从节点结构、传感器模式和融合方案三个方面详细介绍了协同感知方法，并进行了文献review。提出的分层合作感知框架分别从交叉口、走廊和网络等不同层面进行分析。简要回顾了用于实现合作感知的现有数据集和模拟器，以确定其差距。讨论了当前的问题和未来的趋势。