在单车硬性通信预算下，用梯度提升树与多层感知机预测候选特征块的增益，再以贪心背包分配带宽，在OPV2V上以20.0 kB/帧达到全融合AP@0.5的99%
核心概要
该工作针对车联网协同感知中V2X链路带宽远小于现代检测器输出、且既有研究只报告传输字节而不计其能耗的问题，提出在单一硬性自车侧通信预算下决定共享内容：用梯度提升树与多层感知机集成，从任何特征传输之前即可获得的元数据预测某个候选块能为自车单独检测结果新增多少目标，再用贪心背包在助手、空间块与数值精度（fp16/int8/int4）之间分配预算；在OPV2V基准上，该分配器以每帧20.0 kB（而非282.9 kB）达到全融合AP@0.5的99%，在int4精度下以10.0 kB（3.5%的传输量）匹配全融合精度，而按智能体top-k基线需要50.0 kB，在10–50 kB等预算下比该基线提升+0.3至+
Figure 1: AP@0.5 against transmitted bytes per ego frame on the test scenarios. Horizontal lines: no fusion,
· 第 6 页深度剖析
提出一种在传输前即可预测候选特征块增益的选择机制，用梯度提升树与多层感知机集成，从传输前可得的元数据估计某个候选块能为自车单独检测结果新增多少目标。 既有协同感知工作通常直接报告传输了多少字节，而这里把“该传什么”变成一个可在传输前预测的增益估计问题，使带宽分配有可依据的收益信号。 方法描述明确给出所用模型族（梯度提升树与多层感知机集成）与预测目标（新增目标数），并在OPV2V基准上以AP@0.5作为评价指标；原文为不完整读取，未包含消融或预测器精度的细节表。
把预算分配形式化为跨助手、空间块与数值精度（fp16/int8/int4）的贪心背包问题，在单一硬性自车侧通信预算下同时决定共享对象与共享精度。 与按智能体做top-k选择的基线相比，该分配器把精度维度也纳入决策空间，从而在同等预算下获得更高精度。 在OPV2V上，分配器以20.0 kB/帧达到全融合AP@0.5的99%（全融合为282.9 kB）；int4下以10.0 kB匹配全融合精度，而按智能体top-k基线需50.0 kB；在10–50 kB等预算下提升+0.3至+0.9个AP点。
在无硬件条件下对能耗与延迟建模，结合实测5G调制解调器功率、基于实测Jetson TX2数据校准的逐操作模型以及回放的5G驾驶轨迹，把选择所控制的无线能耗与助手端计算能耗区分开来。 既有工作报告传输字节而不计其能耗成本，这里把能耗纳入评估，并指出助手端计算在总能耗中占主导。 在全部243组参数化中，该分配器在无线能耗上以低于基线的能耗达到全融合精度的97%；在总能耗上243组中有240组如此，原文说明原因是助手端计算占主导。
共享助手的框列表是一种极低成本的补充手段，在不到1 kB的代价下再增加两到三个AP点。 这提示在特征共享之外，轻量的框级信息仍能带来可观的精度增益，且其带宽代价远低于特征传输。 原文给出“不到1 kB”与“两到三个点”的量化描述，但未在不完整读取中给出该组合的完整实验设置细节。
启示与展望
该结果面向在单一硬性自车侧通信预算下运行的协同感知系统，适用于可从传输前元数据预测候选块增益、且能按助手、空间块与数值精度做离散分配的场景；其能耗结论建立在实测5G调制解调器功率、基于实测Jetson TX2数据校准的逐操作模型与回放5G驾驶轨迹之上，因此主要适用于这些模型所刻画的车联网与边缘IoT设置。对希望降低V2X带宽与无线能耗的协同感知设计者，这提供了可复用的分配思路与精度—带宽—能耗的权衡参考。
原文为不完整读取，缺少图表、消融与统计细节，因此预测器本身的精度、不同元数据组合的贡献、以及243组参数化的具体构成仍属开放问题；能耗结论依赖实测5G调制解调器功率、基于Jetson TX2校准的逐操作模型与回放5G驾驶轨迹，换用其他硬件或轨迹时结论是否保持，需要进一步验证；此外，助手端计算在总能耗中占主导这一观察，也提示总能耗的优化空间可能更多在计算侧而非通信侧。