想象一下这样一个城市街道：汽车不再仅仅是移动在轮子上的金属盒子，而是庞大通信神经系统中的节点。这就是智能交通系统的愿景——在这里，车辆与路侧基础设施相互交流，以防止事故、缓解交通拥堵并降低排放。为了实现这一愿景，每辆车都必须确切地知道自己的位置以及其他车辆的位置，即使是在高科技联网汽车与无法使用同一种数字语言的旧式传统车辆交织而成的混乱混合物中也是如此。挑战在于，当观察交通的传感器各不相同、有时会缺失拼图碎片、且运行速度经常不一致时，如何创建一个共享且准确的道路图像。
为了解决这个问题，芬兰赫尔辛基的研究人员致力于测试一种结合这些不同视角的方法。他们构建了一个类似于“中央大脑”的系统，接收来自两个不同来源的简单报告：一个安装在路灯上的固定雷达，以及一个安装在联网车辆上的精密激光扫描仪。雷达是一个固定的眼睛，从上方观察交叉路口；而激光扫描仪则由汽车携带，从移动的角度观察世界。目标是观察融合这两股信息流是否能比其中任何一种单独提供的方案，创造出更可靠的交通地图，特别是在移动车辆的视野被遮挡或其信号变慢的情况下。
研究团队在真实的城市交通中进行了实验，驾驶一辆目标车辆通过一个交叉路口，同时利用路侧雷达和联网车辆的激光扫描仪追踪其运动。他们将合并后的数据与目标车辆本身记录的高精度参考路径进行了对比。研究人员测试了两种合并数据的方法：一种是随着每条新信息的到达，逐步更新汽车位置的方法；另一种是在进行单次更新前，先对两个数据源进行平均的方法。他们还模拟了困难条件，例如激光扫描仪被其他车辆暂时遮挡，或者其更新频率降至每秒仅一到两次（而非每秒十次）的情况。
结果揭示了一个关于这些系统运作方式的微妙现实。当激光扫描仪工作完美且发送频繁更新时，它的精确度极高，以至于加入雷达数据带来的提升微乎其微，几乎可以忽略不计。激光扫描仪本身已经承担了绝大部分工作，而雷达由于精度较低且有时表现不稳定，无法显著提升其性能。事实上，仅依赖雷达会导致更大的误差，并频繁出现无法追踪车辆的情况。这表明，仅仅向问题中投入更多传感器并不自动保证能得到更好的答案；如果其中一个传感器已经非常优秀，那么一个较弱的伙伴可能并不会增加多少价值。
然而，当激光扫描仪的视野受到干扰时，情况发生了变化。当研究人员模拟激光扫描仪被其他车辆遮挡，或者通过降低更新频率来模拟缓慢的网络连接时，雷达开始发挥至关重要的作用。虽然雷达在定位精度方面无法像激光扫描仪那样出色，但它有助于维持追踪系统的运行。它防止了系统在那些短暂的“失明”时刻完全丢失对车辆的追踪。研究发现，即使联网车辆只能以降低的速率分享其观测结果，这些稀疏的更新对于路侧基础设施仍然具有价值。
最终，这项研究表明，结合这些不同类型的观测结果并不是一个总能提高准确性的“万能方案”。相反，其价值完全取决于具体情况。当高质量传感器可用时，添加一个较弱的传感器几乎没有收益。但当主要传感器出现困难或消失时，辅助传感器就成为了至关重要的安全网，确保系统不会丢失对车辆的追踪。这一发现对于智能城市的未来具有重要意义，它表明虽然我们应该优先考虑高质量传感器，但也应该保留那些较弱、较廉价的传感器，以便在完美的视野丧失时提供韧性。研究人员已将其数据和软件向公众开放，允许全球社区基于这些发现进行构建并完善我们对未来道路的感知方式。
技术摘要：结合路侧雷达与联网车辆感知的多观测者车辆定位案例研究
问题陈述
准确的车辆位置估计对于智能交通系统（ITS）至关重要，特别是在联网车辆（CV）与传统车辆共存的混合交通环境中。虽然车联网（V2X）通信能够实现感知数据的共享，但关于静态路侧基础设施与动态联网车辆之间决策级融合的现实证据仍然有限。现有研究通常依赖于仿真或同质传感器设置（例如相机-相机或激光雷达-激光雷达）。本研究旨在填补验证异构来源——即静态路侧雷达与配备激光雷达的动态联网车辆——在真实城市环境下进行决策级融合的空白。目标是通过关联来自这些不同观测者的异步检测数据，在保持身份识别的同时，应对漏检和传感器可用性变化的情况，从而追踪目标车辆的轨迹。
方法论
作者提出了一种基于紧凑型目标级检测的多观测者车辆定位框架。该系统在以雷达为中心的二维坐标系下运行，并采用基于恒定转率和速度（CTRV）运动模型的扩展卡尔曼滤波（EKF）。
- 传感器输入： 该框架摄取来自路侧雷达（SmartMicro UMRR-11）和联网车辆搭载的激光雷达（Velodyne VLP-32C）的二维位置检测数据。联网车辆还携带一个 GNSS/INS 单元用于自身定位，而另一个配备 GNSS/INS 的目标车辆则作为地面真值参考。
- 融合策略： 对两种基于 EKF 的融合变体进行了基准测试：
- 顺序 EKF (SEKF)： 随着测量值的到达按顺序更新状态（例如，先处理雷达，再处理激光雷达），无需进行联合测量建模即可处理异步数据。
- 平均 EKF (AEKF)： 将分配到同一轨迹的雷达和激光雷达测量值，通过逆协方差加权组合成一个等效的位置测量值，然后进行单次 EKF 更新步骤。
- 数据关联： 使用门限最近邻关联法，通过马哈拉诺比斯距离将检测结果与现有轨迹进行匹配。通过命中/丢失计数器管理轨迹，以处理初始化、确认和删除过程。
- 实验设置： 数据采集自芬兰赫尔辛基的一个城市路口，包含 19 个评估段和 5 个校准段。该流水线包括时空校准，旨在将联网车辆、雷达和目标车辆的数据对齐到统一的参考坐标系中。
- 评估场景： 该框架在标称条件下、降低激光雷达更新率（低至 0.5 Hz）、模拟激光雷达遮挡（3–10 秒）以及不同的目标运动状态（静止、慢速、移动）下进行了测试。
核心贡献
- 真实世界决策级融合框架： 本文提出并评估了一个利用 SEKF 和 AEKF 策略，融合来自基础设施雷达和联网车辆激光雷达的异构观测数据的流水线。
- 实证评估： 研究提供了真实世界的验证数据，展示了融合性能如何随观测源、目标运动状态以及联网车辆观测率的变化而变化。
- 开源发布： 作者在 GitHub 上发布了软件实现、真实世界验证数据集以及相应的校准数据，以支持可复现性和进一步研究。
结果
- 基准性能： 在激光雷达完全可用时，仅基于激光雷达的 EKF 建立了强大的基准（RMSE ~0.84 m）。仅基于雷达的 EKF 表现明显较差（RMSE ~3.27 m），且匹配率较低（21.5%），证实了在此特定几何布局下，仅靠路侧雷达不足以实现精确的连续定位。
- 融合性能： 融合方法（SEKF 和 AEKF）的表现与仅基于激光雷达的基准非常接近。AEKF 相比于仅基于激光雷达的基准，在整体 RMSE（0.81 m 对比 0.84 m）和 MAE 上取得了微小的提升。结果表明，当存在高质量的激光雷达基准时，精度较低且一致性较差的雷达观测仅能提供有限的额外改进。
- 降低更新率： 在更新率降至 3 Hz 时，性能退化较为轻微。然而，当更新率低于 2 Hz 时，误差显著增加。针对稀疏速率（1 Hz）进行的参数重调提供了性能增益，这表明即使在降低更新率的情况下，联网车辆的观测仍然具有实用价值。
- 遮挡情况： 在模拟激光雷达遮挡期间，仅基于激光雷达的 EKF 保持了最低的定位误差。融合方法并未在遮挡期间一致地降低定位误差，但在较长的遮挡场景（7–10 秒）中显示出略好的轨迹可用性（匹配率），尤其是使用 SEKF 时。
- 运动依赖性： 融合带来的收益在目标车辆运动时最为明显。对于静止目标，其对降低激光雷达更新率的敏感度较低，在这种情况下，融合相对于仅基于激光雷达的基准几乎没有带来收益。
意义与主张
论文得出结论，决策级融合提供的是场景依赖型收益，而非相对于强大的单传感器基准的自动提升。
- 基础设施视角： 该框架主要有利于基础设施侧的感知和交通管理，因为即使联网车辆自身的感知已经非常鲁棒，结合异构数据源仍可以增强态势感知能力。
- 联网车辆视角： 对于联网车辆本身而言，当其已拥有高质量激光雷达数据时，与路侧雷达融合的收益是有限的。
- 实际应用意义： 研究表明，以降低更新率共享的目标级联网车辆观测数据仍能为基础设施感知做出贡献。此外，结果强调，融合的价值高度取决于传感器几何布局、可用性以及单个传感器的相对质量；它并非强单传感器方案的普遍优越替代方案。
作者承认了局限性，包括特定的道路环境、传感器能力的失衡（激光雷达表现显著优于雷达）以及对包含自身定位不确定性的参考轨迹的依赖。他们建议未来的工作应涉及更大的数据集、多个基础设施传感器以及在线校准。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。