CauseCollab：面向异构协同感知的因果统一模态无关网络，登ICML 2026
新方法将多智能体感知中的异构特征映射到统一协议空间，并引入因果度量学习以消除模态差异，在OPV2V与DAIR-V2X数据集上达到最优性能。
AI解读：协同感知依赖多个车辆或路侧设备共享传感器数据来提升环境理解能力，但现实中不同智能体可能使用相机、激光雷达等不同模态，模型结构也各不相同，这导致统一特征困难。传统方法先用各自的转换器把不同模态的特征映射到同一协议空间，但各转换器独立训练，输出分布不一致，语义误差会不断累积，尤其在模态差异大时更明显。CauseCollab从因果角度重新设计这一过程：它将语义信息与模态特有的统计偏差分离，并用上下文引导的统一转换器保证跨模态语义一致。实验显示，在公开的OPV2V和DAIR-V2X数据集上，该方法在大多数指标上优于现有方法，模态差异越大优势越明显。另一个实用点是，新增一种传感器模态时只需训练少量参数的小适配器，不必重新训练整个网络。对做车路协同、多智能体感知的研究者，这意味着在混合传感器车队中更稳定、扩展成本更低的方案。不过，目前证据仅来自两项仿真数据集，真实道路上的表现尚无公开验证，作者也将在ICML 2026展示完整方法。普通读者无需立即行动，该成果属于研发阶段，尚未进入量产系统。
一项名为CauseCollab的协同感知新方法于 9 月 3 日提交至arXiv（编号 2609.03818），论文已被ICML 2026接收。方法出自Weize Li、Yang Li、Quan Yuan、Xiaoyuan Fu、Guiyang Luo、Jinglin Li等人。
方法核心：以因果视角统一异构特征
协同感知通过多智能体信息共享增强环境理解，但真实场景中传感器模态和模型架构的异构性限制了性能。已有基于协议的两阶段方法试图将异构特征映射到共享协议空间，但各个模态独立训练的转换器会产生模态特有的伪协议分布，导致语义不一致和误差累积，在模态差异大的场景尤其明显。
CauseCollab从因果视角表述协议空间中的表示学习，通过因果度量学习显式地将语义因子与模态特有的统计混杂因素分离。同时，它采用上下文引导的统一转换器处理异构模态，以保证跨模态语义一致性。
- 新增模态时，仅需训练参数极少的适配器。
实验结果与适用条件
作者在OPV2V和DAIR-V2X数据集上进行了大量实验，报告称CauseCollab达到当前最优表现，且在模态差距较大的场景中增益更明显。论文共 17 页，被ICML 2026接收。
- 论文摘要称在OPV2V和DAIR-V2X上实现state-of-the-art，具体数值未在摘要中列出。
- 摘要未提供真实道路测试数据，实验限于上述两个公开数据集。