Cooperative vehicle-to-vehicle communication in V2X networks: a survey and simulation study

Autonomous vehicles must understand their surroundings to drive safely. However, one vehicle alone cannot see everything. Its sensors have limited range, and objects can be hidden by other cars or buildings. Because of these limits, vehicles need to share information. V2X systems make this possible. In particular, cooperative Vehicle-to Vehicle communication in V2X networks allow nearby vehicles to directly and quickly exchange perception data. The goal of this thesis is to present a clear overview of cooperative Vehicle-to-Vehicle (V2V) communication within V2X networks and to implement a complete end-to-end perception pipeline using the OPV2V dataset. In addition to reproducing the baseline framework, this work introduces structural refinements to improve efficiency and stabil ity. The proposed model, named V2VAM-Extended, builds upon the original V2VAM architecture. The overall pipeline operates through a structured multi-stage perception and fusion process. Each vehicle processes its LiDAR data and applies an ROI filter to remove irrelevant points. The filtered data are converted into BEV features using a PointPillars backbone and shared between vehicles. Finally, features are fused at the ego vehicle through a simplified ego-centric attention module to ensure stability and efficiency. Under ideal communication conditions, this design leads to stable training and good generalization. As a result, the model achieves 0.914 and 0.837 (IoU 0.5 / 0.7) on CARLA Towns, and 0.868 and 0.735 on Culver City. In addition, inference time remains consistent across different traffic densities, confirming controlled computational behavior. Overall, this work does not aim to fully redesign the original architecture. Instead, it shows that careful simplification and structural improvements can maintain competitive accuracy while improving clarity and efficiency. The results provide a solid baseline for future studies under realistic V2X communication constraints.

I veicoli autonomi devono comprendere l’ambiente circostante per guidare in modo si curo. Tuttavia, un singolo veicolo non può percepire tutto. I suoi sensori hanno una portata limitata e gli oggetti possono essere nascosti da altri veicoli o edifici. A causa di questi limiti, i veicoli devono condividere informazioni. I sistemi V2X rendono ciò possi bile. In particolare, la comunicazione cooperativa Vehicle-to-Vehicle (V2V) nelle reti V2X consente ai veicoli vicini di scambiare rapidamente e direttamente dati di percezione. L’obiettivo di questa tesi è presentare una panoramica chiara della comunicazione cooper ativa Vehicle-to-Vehicle (V2V) all’interno delle reti V2X e implementare una pipeline com pleta end-to-end di percezione utilizzando il dataset OPV2V. Oltre a riprodurre il frame work di base, questo lavoro introduce miglioramenti strutturali per aumentare l’efficienza e la stabilità. Il modello proposto, denominato V2VAM-Extended, si basa sull’architettura originale V2VAM. L’intera pipeline opera attraverso un processo strutturato e multi-fase di percezione e fusione. Ogni veicolo elabora i propri dati LiDAR e applica un filtro ROI per rimuovere i punti non rilevanti. I dati filtrati vengono convertiti in caratteristiche BEV utilizzando una backbone PointPillars e successivamente condivisi tra i veicoli. Infine, le caratteristiche vengono fuse nel veicolo ego tramite un modulo di attenzione ego-centrica semplificato, al f ine di garantire stabilità ed efficienza. In condizioni ideali di comunicazione, questa pro gettazione conduce a un addestramento stabile e a una buona capacità di generalizzazione. Di conseguenza, il modello raggiunge 0.914 e 0.837 (IoU 0.5 / 0.7) su CARLA Towns, e 0.868 e 0.735 su Culver City. Inoltre, il tempo di inferenza rimane coerente al variare della densità del traffico, confermando un comportamento computazionale controllato. Nel complesso, questo lavoro non mira a riprogettare completamente l’architettura orig inale. Piuttosto, dimostra che una semplificazione attenta e miglioramenti strutturali mirati possono mantenere un’accuratezza competitiva migliorando al contempo chiarezza ed efficienza. I risultati forniscono una solida base di riferimento per studi futuri in pre senza di vincoli realistici di comunicazione V2X.