车路协同
国内车路协同这块百度和AIR比较活跃，于 2022 年发布了真实的车路协同数据集 DAIR-V2X，用于研究车路协同的 3D 目标检测。2023 年他们又发布了车路协同时序数据集 V2X-Seq，用于研究车路协同的目标追踪和轨迹预测。
首先，协同感知的目的是解决遮挡和感知距离受限的问题，可以做车车协同也可以做车路协同，但车车协同目前很难落地，落地的实践都集中在车路协同上。相较于车车协同，尽管车路协同使用地点有限，集中在路况复杂的路口处，但车路间的通信也更加安全与靠谱。
端到端
感知、预测、规划、控制可以分模块来做，当然也可以合在一起做，前天介绍的 ViP3D 是融合了感知和预测模块，昨天介绍的 UniAD 融合了感知、预测和规划三个模块。
端到端可以减少模块间的信息损失和误差积累，拿感知、预测融合来说，还可以结合一些非结果的感知信息来协助预测，例如转向灯、行人体态等。
端到端的车路协同轨迹预测
我在想能不能结合车路协同和端到端的感知、预测呢？在此进行分析：
优势：融合端到端和车路协同的优势，既能保留更多信息、减少误差积累，又能解决遮挡、感知受限的问题
问题：
- 感知-预测模块该怎么设计？
- 路侧设备需要提供什么信息给车？给哪些车？传轨迹的话，会比传感知更好吗？
- 车载设备需要拿到路侧的什么辅助信息？怎么与自身融合？
展望：
- 设计一个端到端的模型，输入路侧监控视频，直接输出轨迹预测的结果
- 路侧设备将有用的信息（视觉 or 位置 or 轨迹等）传输给车辆
- 车辆接收信息做一个融合，车辆其实是唯一的受益者，我们前面设计的一切东西，都是为了车辆自身做规划时使用
