面向自动驾驶协同感知的语义通信技术

1. J. Gan, L. Liang, H. Zhang, C. Guo, and S. Jin, "CoDS: Collaborative perception via digital semantic communication," IEEE Trans. Wireless Commun., vol. 25, pp. 18229–18245, Jun. 2026.

    如图2所示，CoDS由协作车辆模块、主车模块和数字通信模块组成。协作车辆首先利用PointPillars骨干网络将原始LiDAR点云转换为鸟瞰图（BEV）特征，并选择对感知任务重要的空间位置；随后，语义压缩编解码器进一步压缩特征通道，语义模数转换器将连续特征量化为离散索引和比特流。比特流可直接进入由LDPC编码、QAM调制构成的标准数字通信链路。接收端完成解调、信道译码和语义重构，并根据信道译码可靠性筛除严重受损的特征，再与主车本地特征进行注意力融合，完成3D目标检测。

图2：面向数字语义通信的CoDS协同感知框架。

1. 任务导向的语义压缩：为降低感知特征在通道维度上的冗余，CoDS设计了由多级下采样与上采样模块组成的语义压缩编解码器。编码端结合Transformer、通道注意力和线性映射，分别建模特征之间的全局依赖、强化重要语义并逐级压缩通道；接收端采用对称结构恢复特征。由于整个编解码器直接面向3D目标检测任务优化，因此能够优先保留与目标类别和空间定位相关的信息。

2. 语义模数转换器：连续神经网络特征无法直接作为标准数字分组传输。为此，CoDS在发送端依次完成“特征解耦—子空间划分—向量量化—索引编码”，在接收端执行逆过程，将比特流重新映射为语义特征。模型先利用特征解耦层降低不同维度之间的相关性，再将特征划分为多个子向量；每个子向量在对应的语义嵌入空间中寻找最相似的嵌入向量，并将其索引编码成比特。多个语义嵌入空间的组合显著提升了有限码本的表达能力，同时避免了单个超大码本带来的搜索开销。

3. 不确定性感知可靠性控制：数字链路在低信噪比下可能发生译码失败，一个错误索引可能使接收端选中语义差异很大的嵌入向量。CoDS设计了不确定性感知网络（UAN），利用信道译码器输出的对数似然比评估每个接收特征的可靠性。高可信特征被保留并参与融合，低可信特征则被滤除。由于严重错误的外部特征通常比缺失的外部特征危害更大，该机制能够抑制错误传播；当信道条件极差时，系统可以平滑回退到主车单车感知，避免协作信息破坏本地感知结果。