GT-Space：利用真实标签特征空间增强异构协同感知

基于摘要分析。本文研究自动驾驶中不同传感模态或模型架构的智能体如何进行协同感知，提出 GT-Space：以真实标签构建公共特征空间，使各智能体通过单个适配器对齐特征，避免为智能体之间的每一种配对单独设计对齐模块。 核心机制是将真实标签构建的特征空间作为统一参照，各智能体将自身特征投影到该空间，再由融合网络整合。作者还使用覆盖多种模态组合的对比损失训练融合网络。相较摘要所述需重训编码器或进行成对特征对齐的既有方案，该设计旨在改善异构智能体接入的可扩展性；标签如何编码、适配器如何训练、是否冻结编码器，以及新增智能体是否需要重新训练融合网络，尚未验证。 作者报告，在仿真数据集 OPV2V、V2XSet 和真实世界数据集 RCooper 上，GT-Space 的检测准确性持续优于对照基线，并表现出稳健性。摘要未提供具体检测指标、数值、划分和基线名称，实验协议、消融及统计信息尚未验证。作者表示将公开代码，不能据此认定代码已发布。 平台推测（待验证）：该机制可为异构 EEG 编码器的表征对齐提供假设，但依赖可共享的标签语义及构建参照空间所需的监督。可尝试复用公共参照空间与适配器思路，需针对 EEG 时序结构、通道配置和任务标签改造，不能直接套用自动驾驶融合网络。低信噪比、跨被试差异及小样本可能使对齐丢失个体信息或过拟合标签。一个可证伪的小实验是在固定 EEG 任务和严格跨被试划分下，仅用训练数据构建参照空间，对比公共空间适配、成对对齐与不对齐，并考察新增编码器后的性能和训练成本。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。