論文の概要: BOLT: Online Lightweight Adaptation for Preparation-Free Heterogeneous Cooperative Perception

• arxiv url: http://arxiv.org/abs/2605.00405v1
• Date: Fri, 01 May 2026 04:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.85024
• Title: BOLT: Online Lightweight Adaptation for Preparation-Free Heterogeneous Cooperative Perception
• Title（参考訳）: BOLT:非均一な協調知覚のためのオンライン軽量適応
• Authors: Kang Yang, Tianci Bu, Peng Wang, Deying Li, Yongcai Wang,
• Abstract要約: 本稿では,ego-as-Teacher蒸留により隣接する機能をオンラインに適応させる軽量なプラグイン・アンド・プレイモジュールBOLTを提案する。 わずか0.9Mのトレーニング可能なパラメータで、BOLTはAP@50を32.3ポイントまで改善した。
• 参考スコア（独自算出の注目度）: 16.786867034485027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing heterogeneous cooperative perception methods depend on prior preparation like offline joint training or tailored collaborator-model adaptation. Such preprocessing is, however, generally impractical in real scenarios, as agents are usually independently trained by different developers and meet occasionally online. This work investigates \emph{preparation-free heterogeneous cooperative perception}, where agents use independently trained single-agent detectors without any pre-deployment coordination. We find direct cross-agent fusion under this setting greatly underperforms ego-only perception. We present BOLT, a lightweight plug-and-play module that adapts neighboring features online via ego-as-teacher distillation, requiring only ego predictions without ground-truth labels. BOLT leverages high-confidence ego perception features to guide cross-agent feature-domain alignment, while enabling neighbors to contribute features in the ego's low-confidence regions. With only 0.9M trainable parameters, BOLT improves AP@50 by up to 32.3 points over vanilla unadapted fusion in the preparation-free setting. It consistently outperforms ego-only results on DAIR-V2X and OPV2V, across different encoder pairs and fusion strategies. Code: https://github.com/sidiangongyuan/BOLT.
• Abstract（参考訳）: 既存の異種協調認識法の多くは、オフラインの関節トレーニングや調整された協調者モデル適応のような事前の準備に依存している。 しかし、エージェントは通常、異なる開発者によって独立して訓練され、時々オンラインで会うため、実際のシナリオでは一般的には非現実的である。 本研究は, エージェントが個別に訓練された単一エージェント検出器を, 事前の配置調整なしで使用する, 「emph{preparation-free heterogeneous collaborative perception」について検討する。 この条件下では直接のエージェント間融合はエゴのみの知覚を著しく低下させる。 BOLTは,ego-as-Teacher蒸留により隣接する機能をオンラインに適応させる軽量なプラグイン・アンド・プレイモジュールである。 BOLTは、高信頼のエゴ知覚機能を活用して、隣人がエゴの低信頼領域の特徴に貢献できるように、クロスエージェントな特徴ドメインアライメントを誘導する。 わずか0.9Mのトレーニング可能なパラメータで、BOLTはAP@50を32.3ポイントまで改善した。 DAIR-V2XとOPV2Vのエゴのみの結果を、異なるエンコーダペアと融合戦略で一貫して上回る。 コード:https://github.com/sidiangongyuan/BOLT。

関連論文リスト

• HeatV2X: Scalable Heterogeneous Collaborative Perception via Efficient Alignment and Interaction [7.171380055232685]
  V2X(Van-to-Everything)コラボレーティブ・インセプションは、トランスミッションを通じて、単一車両の限界を超えて知覚を拡大する。 既存のフレームワークは、(1)参加エージェントは本質的にマルチモーダルで異種であり、(2)新しいエージェントに対応するためには、協調フレームワークはスケーラブルでなければならない。 スケーラブルな協調フレームワークであるHeatV2Xを提案する。
  論文  参考訳（メタデータ） (2025-11-13T11:33:22Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• You Share Beliefs, I Adapt: Progressive Heterogeneous Collaborative Perception [1.9142273925815776]
  協調的知覚により、車両は情報を共有することによって、個々の知覚制限を克服することができる。 本稿では,プログレッシブ・ヘテロジニアス・コラボレーティブ・パーセプション(PHCP)について紹介する。 PHCPは推論中にアダプタを自己学習することで特徴を動的に整列させ、ラベル付きデータや共同トレーニングを不要にする。
  論文  参考訳（メタデータ） (2025-09-11T09:53:20Z)
• An Extensible Framework for Open Heterogeneous Collaborative Perception [58.70875361688463]
  協調的な知覚は、単一エージェントの知覚の限界を緩和することを目的としている。 本稿では,新しい異種エージェントを協調認識に適応させる方法を提案する。 本稿では,新しい協調認識フレームワークであるHeterogeneous ALliance(HEAL)を提案する。
  論文  参考訳（メタデータ） (2024-01-25T05:55:03Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• MADiff: Offline Multi-agent Learning with Diffusion Models [79.18130544233794]
  MADiffは拡散型マルチエージェント学習フレームワークである。 分散ポリシと集中型コントローラの両方として機能する。 実験の結果,MADiffは様々なマルチエージェント学習タスクにおいて,ベースラインアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T02:14:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。