基于边缘计算与深度学习的实时点云车辆编队监测系统研究

为解决传统交通监测系统在3D车辆检测、分类及计数中的精度与实时性瓶颈，香港科技大学团队开发了基于LiDAR点云与边缘计算的实时监测系统。该系统集成动态体素化检测器(DV-Det)与AB3DMOT算法，实现10 Hz处理频率（延迟62.71 ms），在KITTI数据集上达75 FPS，10类细粒度车辆分类mAP≥80%（IoU=0.5），为智能交通系统(ITS)提供高精度三维动态数据支撑。

　　

在智能交通系统(ITS)快速发展的今天，传统二维摄像头面临视角依赖、标定复杂等固有缺陷，而激光雷达(LiDAR)虽能提供原生三维数据，但其海量点云处理对实时性提出严峻挑战。香港科技大学的研究团队创新性地将边缘计算与深度学习结合，开发出全球首个支持10细粒度车辆分类的实时点云监测系统，相关成果发表于《Engineering Applications of Artificial Intelligence》。

研究采用多光束闪光LiDAR与边缘计算设备组成的硬件系统，通过四大核心模块实现高效处理：GPU加速的传感器接口模块滤除背景噪声；动态体素化检测器(DV-Det)融合网格化与点特征优势；AB3DMOT算法实现多车追踪；专用计数算法利用3D空间可分性统计车流。关键技术突破在于DV-Det模型采用动态体素化和位置感知兴趣区(LA-RoI)池化，较传统鸟瞰图(BEV)方法精度提升30%，推理速度达75 FPS。

【Evaluation of DV-Det】
在RTX 2080 Ti平台测试中，DV-Det以3D交并比(IoU)0.5为阈值，对轿车、卡车等10类车辆实现80%以上平均精度(mAP)，其中出租车分类精度达87.2%。模型推理耗时仅13.3 ms，较PointPillars方法快3倍。

【On-site experiment】
实地部署显示系统在复杂交通场景下保持稳定，通过时空连续性校验将计数误差控制在±2%内。特别在低能见度条件下，LiDAR点云稳定性使系统召回率保持100%，显著优于视频方案。

【Conclusion】
该研究首次实现边缘端细粒度车辆动态监测，其62.71 ms端到端延迟满足V2X通信需求。创新提出的DV-Det模型通过动态体素化解决特征稀释问题，为3D目标检测开辟新思路。系统输出的三维交通网格数据可直接对接GIS平台，推动智慧城市数字孪生应用。研究团队特别指出，该系统已通过香港环保署(EPD)标准验证，为机动车排放清单核算提供厘米级精度数据支撑。