综述:基于路边激光雷达的场景理解技术在智能交通感知中的应用:综述

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Roadside lidar-based scene understanding toward intelligent traffic perception: A comprehensive review

【字体: 大 中 小 】 时间:2026年01月21日 来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2

编辑推荐:

  嘉兴张|成军葛|文晓|苗唐|乔恩·米尔斯|本杰明·科夫曼|陈能成 中国地质大学地理信息系统国家工程研究中心,武汉,430074,中国 **摘要** 随着高精度传感技术和智能感知框架的整合,城市交通系统正在经历范式转变。作为基于基础设施的传感技术的关键推动者,路边激光

  嘉兴张|成军葛|文晓|苗唐|乔恩·米尔斯|本杰明·科夫曼|陈能成
中国地质大学地理信息系统国家工程研究中心,武汉,430074,中国

**摘要**
随着高精度传感技术和智能感知框架的整合,城市交通系统正在经历范式转变。作为基于基础设施的传感技术的关键推动者,路边激光雷达提供了对动态城市场景的强大而精确的3D空间理解。本文全面回顾了基于路边激光雷达的交通感知技术,围绕五个关键模块进行组织:传感器放置策略;多激光雷达点云融合;动态交通信息提取;后续应用,包括轨迹预测、碰撞风险评估和行为分析;以及代表性的路边感知基准数据集。尽管取得了显著进展,但在部署优化、遮挡和动态条件下的鲁棒配准、通用对象检测与跟踪,以及异构多模态数据的有效利用方面仍存在挑战。新兴趋势指向感知驱动的基础设施设计、边缘-云-终端协作,以及通过领域适应、自监督学习和基础规模数据集实现的通用模型。本综述旨在为研究人员和实践者提供技术参考,揭示当前进展、开放问题以及基于路边激光雷达的交通感知和数字孪生应用的未来方向。

**1. 引言**
城市道路数字孪生是智能交通中的一个新兴范式,它通过多源数据融合、高精度空间建模和智能分析构建了现实世界道路环境的数字镜像(Huang, 2024)。作为智慧城市基础设施的核心要素,数字孪生能够通过实时监测道路使用者(车辆、行人、自行车手)及其时空动态来实现城市交通的持续监控和预测管理(Ge和Qin, 2024; Pawar等人, 2025)。准确获取此类信息对于提高交通安全、优化交通流、缓解拥堵以及支持自动驾驶和联网车辆系统至关重要(Di等人, 2024)。
在各种传感方式中,路边感知作为一种可扩展的解决方案,越来越受到关注,用于获取高质量的交通数据(Sun等人, 2022b)。通过利用电线杆和智能交叉口等固定基础设施(Moradi-Pari等人, 2021),原位路边传感器比车载系统提供更广泛的覆盖范围、更一致的时间监测和更高的运行稳定性(Zhang等人, 2022c)。在这一框架下,路边激光雷达作为一种特别强大的3D场景理解方式脱颖而出,能够提供对环境变化具有强抵抗力的高精度空间测量(Zhang等人, 2025c)。与相机和雷达相比,激光雷达提供了准确的几何信息,并捕捉了对城市场景重建至关重要的丰富深度线索(Zhang等人, 2020a; Wang等人, 2018; Wang, 2021; Thornton等人, 2014)。
从路边激光雷达数据中提取动态交通信息包括几个关键任务:对象检测(车辆、行人、自行车手等)、多对象跟踪(Gong等人, 2021; Gong等人, 2023; Zhang等人, 2020a; Zhao等人, 2019b)和轨迹重建(Luo等人, 2025; Zhang等人, 2022a)、速度和运动估计,以及行为或意图预测(Zhao等人, 2019a; Zhao等人, 2019c; álvarez-Ossorio Martinez和Margreiter, 2023)。这些领域的研究进展迅速——从基于规则的检测方法发展到能够处理数据稀疏性和遮挡的深度学习模型,从基本跟踪发展到传感器融合和轨迹连续性建模。通过整合上下文线索、语义先验和机器学习框架,行为理解能力得到进一步增强。边缘-云-终端协作架构的发展进一步支持了分布式、实时的交通感知,使智能传感系统能够大规模运行(Xiao等人, 2024; Gu等人, 2023)。
然而,尽管取得了这些进展,仍存在几个关键挑战。这些问题包括单激光雷达设置中的覆盖范围有限和遮挡问题、成本效益高的传感器分辨率低和稀疏性问题、对小物体或远距离物体的敏感度降低、传感器间点云配准困难,以及缺乏针对路边激光雷达场景的大规模、高质量公共数据集(Lin等人, 2025; Huang等人, 2021a; Sun等人, 2022a; Aung等人, 2024)。此外,大多数研究仅关注特定子任务(如检测或跟踪),而缺乏对整个感知流程及其在城市规模智能交通系统中整合的全面理解(Wu等人, 2020c; Zimmer等人, 2023c; Liu等人, 2023a; Ma等人, 2024b)。图1展示了2015年以来与基于路边激光雷达的交通感知相关的综述论文(Aung等人, 2024; Bai等人, 2022b; Sun等人, 2022b; Sighencea等人, 2021; Wang等人, 2024c; Zhang等人, 2025b; Gao等人, 2024)。虽然这些研究提供了宝贵的见解,但它们要么专注于个别任务(例如检测、跟踪),要么从高层次系统角度审视路边感知。没有一篇论文提供统一的端到端综合,将传感器放置、多激光雷达融合、对象检测、跟踪和下游交通安全应用联系起来。

**2. 路边激光雷达传感器放置**
路边激光雷达传感器的最佳放置对于实现有效的交通感知和协作式车-基础设施系统至关重要。与车载激光雷达系统不同,路边激光雷达部署面临独特的挑战,包括固定安装限制、环境遮挡以及需要高效覆盖动态交通区域的需求。路边场景中的传感器放置问题主要分为两种方式(见图4):MIN问题,旨在最小化覆盖整个感兴趣区域(ROI)所需的传感器数量;FIX问题,旨在在固定数量的传感器下最大化覆盖面积(Zhao等人, 2013)。
MIN问题关注确定实现目标监控区域完全或近乎完全覆盖所需的最少路边激光雷达传感器数量。这种表述对于成本敏感的部署尤为重要,因为在这种情况下最小化基础设施投资至关重要。提出了一种基于点云的框架,用于最小化完成高速公路覆盖所需的路边激光雷达单元数量(Ma等人, 2022)。该方法使用无监督聚类对区域进行分割,并通过确定性模型和基于U-Net的虚拟激光雷达模型模拟覆盖情况,通过二进制整数规划优化放置。Ji等人(2023)引入了一种多目标优化策略,用于协作式车-基础设施系统的传感器放置,根据它们的感测几何特性对激光雷达、雷达和相机进行建模。基于多目标灰狼优化算法,他们的方法在最大化覆盖的同时减少了传感器数量和盲点。

**3. 路边多激光雷达配准**
近年来,使用路边激光雷达的交通感知技术发展迅速。大多数现有研究首先使用单个激光雷达传感器分割背景,然后使用机器学习方法检测移动物体,最后随时间跟踪这些物体。然而,基于单个激光雷达的感知常常受到遮挡和空间覆盖范围有限的限制(Sun等人, 2018)。因此,多激光雷达融合引起了全球研究人员的关注(Xiao等人, 2024)。为了实现有效融合,点云配准(在文献中也广泛用作点云空间校准)是关键的第一步,确保来自多个传感器的数据在共同的参考框架中几何对齐。时间同步与空间校准一样重要:空间校准对齐坐标框架,而时间对齐确保点云对应于相同的真实世界时间戳。现有研究采用硬件级和算法级方法相结合的方式来减轻时间错位。硬件解决方案如GNSS规范的PPS和IEEE-1588 PTP为分布式传感器提供高精度的全局定时,为一致的多传感器集成奠定了基础(Tian等人, 2021)。除了硬件之外,基于软件的细化技术利用激光雷达扫描特性和几何一致性调整时间戳,进一步减少残余漂移(Mollah等人, 2025)。更先进的方法利用动态交通参与者作为自然的时空参考,其中轨迹匹配能够自动估计时间偏移和空间参数(Ren等人, 2023)。此外,基于旋转和公转的时间戳重建通过恢复每个点的确切采集时间来补偿扫描内的时间扭曲(Lv等人, 2019)。

**3.1. 通用点云配准方法**
点云配准旨在通过估计最优刚性变换(包括旋转和平移)来对齐两个或多个3D点集。给定源点云PS={p1,…,pn}和目标点云PT={q1,…,qm},目标是确定最优变换T=[R|t]∈SE(3),其中R∈SO(3)是旋转矩阵,t∈R3是平移向量。这里,SE(3)表示3D空间中的刚性运动组,包括旋转和平移,而SO(3)表示旋转子群。
配准任务可以表述为方程(1)所示的最小二乘优化问题(Huang等人, 2021b),其中K表示PS和PT之间建立的点对应对的数量,(pi, qi)是一对对应点。为了解决这个问题,现有方法可以大致分为基于优化的方法、特征学习方法和端到端学习方法(Huang等人, 2021b)。这些方法包括基于ICP的配准(Besl和McKay,1992年;Rusinkiewicz和Levoy,2001年;Billings等人,2015年;Chen和Medioni,1992年;Ramalingam和Taguchi,2013年;Khoshelham,2016年;Segal等人,2009年)、图匹配配准(Zhu等人,2019年;Loiola等人,2007年;Huang等人,2017年;Almohamad和Duffuaa,2002年;Duchenne等人,2011年;Zhou和De la Torre,2015年)以及高斯混合模型(GMM)(Bishop和Nasrabadi,2006年;Rasoulian等人,2012年;Myronenko和Song,2010年;Fan等人,2016年;Evangelidis等人,2014年;Yuan等人,2020年)。基于优化的方法是最早的也是最经典的点云配准解决方案,它们提供了明确的数学公式,并在适当的初始化下能够可靠地收敛。然而,这些方法对精确对应关系的依赖性强,且容易受到噪声、异常值和部分重叠的影响,这促使人们转向更健壮的特征学习方案。

特征学习方法的主要思想是使用先进的神经网络提取独特的特征,然后估计精确的对应关系。之后,可以使用一步优化(例如SVD或RANSAC)来估计变换,而无需在对应关系估计和变换估计之间进行迭代(Zeng等人,2017年;Gojcic等人,2019年;Choy等人,2019年;Riegler等人,2017年;Wang等人,2017年;Deng等人,2018b年;Drost等人,2010年;Qi等人,2017年;Deng等人,2018a年;Zhou等人,2020年)。与基于优化的方法相比,特征学习方法通过减少对精确最近邻对应关系的依赖而代表了自然的进步。学习到的描述符在密度变化、视角变化和传感器配置变化的情况下显著提高了鲁棒性。尽管如此,这些流程仍然将特征学习和变换计算分开,因此在高度模糊或重叠度低的场景中性能可能会下降。这一限制进一步推动了向端到端框架的演变。

端到端学习方法使用端到端的神经网络来解决配准问题。这类方法的输入是两个点云,输出是用于对齐这两个点云的变换矩阵(Deng等人,2019年;Lu等人,2019年;Pais等人,2020年;Aoki等人,2019年;Qi等人,2017年;Huang等人,2020年;Yuan等人,2020年;Choy等人,2020年)。这些端到端方法代表了发展的下一个阶段,其中整个配准流程被联合优化。通过直接学习从原始几何到最终姿态的映射,它们避免了中间对应关系步骤中的误差累积,并显示出对遮挡和异常值的更强鲁棒性。然而,这种高级抽象的代价是可解释性降低以及可能过拟合训练数据的分布,这限制了其在多样化现实世界条件下的应用。

除了上述三类方法外,许多现有方法表明,结合深度学习和基于优化的方法可以实现高精度和高效率(Wang和Solomon,2019年;Huang等人,2020年;Fey等人,2020年;Yuan等人,2020年)。混合方法自然地融合了前几类的优点。它们利用深度网络生成可靠的先验或健壮的对应线索,然后通过经典优化来保证几何一致性。这种集成反映了该领域的当前趋势——从纯算法流程转向学习引导的几何优化,提供了具有更高精度、可解释性和泛化能力的平衡解决方案。上述方法的综合分析见表1。

表1. 通用点云配准方法总结。

| 类别 | 核心思想 | 代表性方法 | 参考文献 |
| --- | --- | --- | --- |
| 基于优化的方法 | 通过迭代优化最小化几何残差(例如点对点/点对平面误差)来估计刚性变换。 | - ICP及其变体 | - 图匹配配准 | - 基于GMM的配准 | Besl和McKay(1992年);Segal等人(2009年);Zhu等人(2019年);Evangelidis等人(2014年) |
| 特征学习方法 | 使用深度神经网络学习区分性点或块特征,建立对应关系,并使用SVD或RANSAC估计变换。 | - 3DMatch | - FCGF | - 基于DGCNN的流程 | - 学习到的局部描述符 | Zeng等人(2017年);Gojcic等人(2019年);Deng等人(2018b年);Drost等人(2010年) |
| 端到端学习 | 直接从配对点云回归SE(3)变换,无需显式的对应关系估计。 | - PointNetLK | - Deep Closest Point | - RPMNet | - 完全监督的端到端配准网络 | Aoki等人(2019年);Lu等人(2019年);Choy等人(2020年) |
| 混合优化+学习 | 将深度特征与基于优化的配准相结合,以提高鲁棒性和精度。 | - 特征引导的优化 | - 学习辅助ICP | - 混合概率框架 | Wang和Solomon(2019年);Huang等人(2020年);Fey等人(2020年);Yuan等人(2020年) |

3.2. 路侧激光雷达的配准方法

上述常用的点云配准方法依赖于在路侧激光雷达场景中不成立的假设,因为在路侧激光雷达中,传感器是静态的,环境是动态的,而且成本效益高的设备通常会产生稀疏且噪声较大的点云。因此,这些方法不能直接应用,需要进行重大调整。与地图级激光雷达相比,路侧系统面临更低分辨率、动态前景交通和有限的视角多样性等更复杂的组合,这些因素共同增加了实现可靠配准的难度。因此,最近关于路侧激光雷达点云配准的研究越来越多地专注于设计专门针对这些约束的健壮策略(详见表2)。

一个普遍的趋势是使用两阶段配准框架,该框架结合了粗略对齐和精细对齐阶段。与单阶段ICP风格的流程相比,这种分层框架对稀疏观测和传感器抖动更加鲁棒,反映了逐步减少不确定性的趋势。这种转变的主要动机是在低重叠度和低密度条件下需要更高的鲁棒性,在这种情况下,可靠的初始估计变得至关重要,以避免收敛失败。在粗略对齐阶段,通常使用结构化的环境特征(如路边线段(Xiao等人,2024年;Tang等人,2024年)、地面平面(Lin等人,2024a)和反射性交通标志(Zhang等人,2022b))来提供可靠的初始方向和空间约束。这些手工制作的基于几何的特征在路侧部署中仍然具有竞争力,因为它们稳定、易于提取,并且在天气和交通条件变化时保持不变,优于需要密集点云的特征学习方法。为了进一步改进初始化,一些方法结合了全球定位信息。例如,基于GPS的映射方法(Tian等人,2021年)使用来自多个传感器的原始激光雷达数据以及每个激光雷达至少四个GPS参考点,将所有点云转换为统一的地球中心、地球固定(ECEF)坐标系。与纯几何初始化相比,GPS辅助的框架提供了更强的全局一致性,并减少了多传感器网络中的误差传播,特别是在长距离路侧部署中。在精细对齐阶段,通常应用迭代最近点(ICP)算法或其健壮变体(如部分ICP(PICP)(Wu等人,2019a)和基于M估计的ICP(Zhang等人,2020d))来细化变换参数并纠正数据收集或坐标变换过程中引入的错误。虽然标准ICP在低重叠度和噪声情况下表现不佳,但这些健壮的变体结合了部分匹配或健壮的损失函数,代表了从严格的最近邻约束向更适应性和抗噪声优化的方法论进步。

许多现有方法还结合了全局和局部优化技术,如遗传算法和爬山算法(Yue等人,2019年)。与确定性ICP变体相比,这些元启发式方法探索了更广泛的参数空间,在由于杂乱或遮挡而导致局部最小值常见的具有挑战性的路侧场景中提高了收敛性。采用元启发式策略的推动力是路侧场景复杂性的增加,这要求对非凸误差表面和不可预测的数据伪影有更大的韧性。进一步的改进趋势是在扩展到全场景对齐之前,优先考虑基于可靠局部特征的部分配准,从而减少了动态物体和背景噪声的影响。

此外,还有一些技术专门针对低通道数路侧激光雷达的特点进行了优化,使用稳定的高反射率目标或应用2D变换简化(Zhang等人,2022b;Wu等人,2019a;Lv等人,2019)来处理稀疏和噪声较大的点云。这代表了从通用3D配准向特定任务的、特定传感器的解决方案的实际演变,这种演变是为了在现实世界部署中实现鲁棒性而牺牲了一般性。这种演变是由低通道数传感器的实际约束驱动的——有限的垂直分辨率、受限的视野范围和严重的稀疏性——这些约束需要简化但可靠的配准流程来在成本效益高的基础设施上部署。

此外,最近的方法越来越多地探索基于检测和轨迹的配准,标志着从基于显式几何的对齐向基于语义和运动辅助的配准的转变。这一趋势的背后是成熟的检测和跟踪算法的日益普及,这些算法提供了丰富的语义和运动信息,可以弥补稀疏几何的不足,并使路侧系统能够自我校准。例如,TrajMatch(Ren等人,2023年)是一个新颖的系统,它通过利用检测和跟踪模块的输出实现了时间和空间的校准,消除了手动特征提取的需要。与传统的仅基于几何的方法相比,这些高级集成方法利用动态交通行为作为校准线索,代表了向上下文感知和完全自动化的路侧激光雷达配准的最新进展。

表2. 路侧激光雷达配准方法总结。

| 类别 | 核心思想 | 代表性方法 | 参考文献 |
| --- | --- | --- | --- |
| 两阶段框架 | 粗略对齐:提供可靠的初始方向和空间约束;精细对齐:细化变换参数并纠正错误 | - 结构化的环境特征(路边线段等) | - 全球定位数据 | - ICP及其健壮变体 | Xiao等人(2024年);Lin等人(2024a);Zhang等人(2022b);Tian等人(2021年);Wu等人(2019a);Zhang等人(2020d) |
| 全局和局部优化 | 优先进行部分配准,然后扩展到全场景 | - 遗传算法 | - 爬山算法 | Yue等人(2019年) |
| 低分辨率路侧激光雷达定向 | 使用某些策略处理稀疏和噪声较大的点云 | - 高反射率目标 | - 2D变换简化 | Zhang等人(2022b);Wu等人(2019a);Lv等人(2019) |
| 检测/轨迹驱动 | 消除手动特征提取的需要 | TrajMatch | Ren等人(2023年) |

4. 动态交通信息提取

有效处理路侧激光雷达数据是可靠提取动态道路交通信息的基本前提。从路侧传感器获取的原始点云通常包含静态背景元素和动态道路用户,以及噪声和无关数据。为了提取道路用户的动态信息,需要一个结构化的处理流程。这包括过滤掉背景点以减少计算负担,专注于场景中的移动目标,并在帧间一致地跟踪它们。以下小节介绍了路侧激光雷达动态交通信息提取的关键技术,从背景过滤方法开始。

4.1. 背景过滤

为了确保从路侧激光雷达点云中可靠地提取动态交通元素,背景过滤是一个基本的预处理步骤。鉴于路侧环境的特性——结构多样性高、频繁遮挡和交通模式变化——高效地区分前景对象和静态背景元素(如道路、电线杆、建筑物)仍然是一个关键挑战。已经开发了许多背景过滤技术来解决这个问题,每种技术都利用了激光雷达信号的不同方面,如空间距离、点密度、时间一致性或统计特征。这些方法可以大致分为三类:基于距离的方法、基于密度的方法,以及结合学习、投影和时空建模的混合或高级方法。以下部分将详细回顾每一类方法,从利用几何线索和帧间一致性来识别和移除静态背景点的基于距离的方法开始。

4.1.1. 基于距离的方法

基于距离的背景过滤方法利用空间距离信息——无论是单个帧内还是跨时间序列——来识别并排除路侧激光雷达数据中的静态背景点。这些方法通常利用激光雷达返回的几何一致性,并经常结合统计建模或自适应策略来区分静态基础设施和动态交通参与者。一种广泛采用的策略是构建2D通道-方位角距离图,其中每个方位角和激光通道对记录了随时间变化的点距离的最大值、平均值或方差。这种技术通过捕获一致的结构元素(如道路表面、障碍物和电线杆)有效地建模了静态环境。早期的实现,如Zhao等人(2019d)和Xiao等人(2016)提出的方法,依赖于简单的几何阈值来过滤背景点。Zhang等人(2019)通过同时考虑每个波束的最大距离和平均距离来改进了这种方法,从而在噪声较大或动态的路侧环境中提高了鲁棒性。郑等人(2021年)通过将激光雷达返回数据视为类似图像的网格,并使用角分辨率作为伪像素来构建多层次距离图,扩展了这一概念。这些距离图支持分层过滤和更好的噪声抑制。除了传统的阈值处理方法外,最近的方法更注重计算效率和适应性:基于解码的集成过滤技术(赵等人,2023年)将基于距离的背景排除直接嵌入到激光雷达解码流程中,实现了早期过滤并显著减少了下游处理负担。陈等人(2023年)提出了一种自适应参数调整方法,该方法根据实时交通情况和传感器行为学习最优距离阈值,提高了跨场景的通用性。此外,基于PCAP的方法(侯等人,2024b年)使用球坐标将实时点距离与参考背景帧进行比较,在杂乱或变化的环境中提供了细粒度的过滤。

其他基于距离的方法结合了几何理解和环境感知:方位角-高度过滤方法(赵等人,2019d年)将每个方位角的高度值与背景轮廓进行比较,以隔离动态目标。基于坡度和形状的过滤方法(吴等人,2019b年)按波束对激光雷达点进行聚类,然后应用距离和几何标准(如坡度和平面性)来检测地面和背景结构。感兴趣区域(ROI)过滤方法(如3D-DSFRB方法,吴等人,2021c年)利用从历史车辆轨迹中得出的道路边界定义来限制基于距离的过滤应用范围。在ROI内过滤地面;在ROI外去除静态背景。同样,基于通道的ROI过滤方法(吴等人,2019b年)结合了通道几何形状和随时间变化的距离阈值,以区分前景和静态元素。

总之,这些方法表明从静态的、基于规则的过滤向适应性和数据驱动的框架转变,这些框架是为复杂的路边环境量身定制的。现代基于距离的方法越来越多地将背景建模集成到上游流程(如解码)中,结合了对场景的感知能力,并利用时空距离一致性来处理遮挡、交通拥堵和结构多样性。这些创新使基于距离的过滤成为强大的路边激光雷达感知系统的关键组成部分。

4.1.2 基于密度的方法

除了基于距离的方法外,基于密度的背景过滤方法在路边激光雷达数据处理中也获得了广泛的应用,因为它们对测量噪声具有很强的鲁棒性,并且能够适应动态的城市环境。这些方法通常假设静态背景元素随时间保持稳定且点密度较高,而动态对象则显得更加稀疏和不规则。一个典型的例子是广泛使用的3D密度统计过滤(3D-DSF)算法(吴等人,2018年;崔等人,2019年),该算法聚合多帧激光雷达数据,将3D空间划分为体素,并计算每个体素内的点密度。超过预定义密度阈值的体素被识别为静态背景并实时过滤掉。其改进版本3D-DSFRB(吴等人,2021c年)结合了道路边界约束,在感兴趣区域(ROI)内外选择性地应用基于密度的过滤,以在高交通密度下保留前景轨迹。最近点方法(肖等人,2017年)利用点的时空重复性,通过在滑动时间窗口内跟踪频繁出现的点来识别静态对象。重复频率低或邻域稀疏的点更有可能是动态的,因此被保留下来。

然而,这些基于体素的方法的性能可能对参数(如体素大小和时间窗口长度)敏感。为了解决这个问题,最近的研究提出了混合或自适应策略:时间密度变化方法(林等人,2023年)将空间划分为细小的立方体,并跟踪点密度随时间的变化。然后使用基于密度的空间聚类算法(DBSCAN)通过过滤掉非通过或静态区域来隔离动态区域。密集背景表示模型(DBRM)(夏等人,2022年)引入了一个概率框架,使用高斯混合模型来模拟静态和动态背景元素。该方法能够捕捉长期密度稳定性,使其能够适应植被和环境噪声等准静态杂乱环境。体素密度最近邻过滤(刘和芮,2025年)结合了局部体素密度分析和帧间邻居距离检查。在识别出候选背景点后,该方法评估它们在帧间的平均距离变化,将异常值分类为前景以实现更准确的过滤。

其他值得注意的基于密度的方法包括:分层最大密度聚类算法(HMDCAN)(郑等人,2021年):一种结合分层聚类和最大密度估计的混合聚类技术,用于有效去除噪声和提取对象;多分类DBSCAN(MC-DBSCAN)(吴等人,2017年):DBSCAN的扩展,支持多类聚类以去除背景和自动车道分割;体素数量累积(齐等人,2024年):通过聚合跨帧的命中次数来构建长期体素图;持续被占用的体素被标记为背景;低通道激光雷达的密度变化(林等人,2023年):专为稀疏激光雷达设计,该方法分析空间立方体中的密度波动以隔离动态对象;距离和密度自适应过滤(DDAF)(肖等人,2024年):结合距离阈值和局部点密度来优化边缘设备上的背景过滤,确保实时应用中的计算效率。

总之,基于密度方法的进展显示出向集成时空分析、自适应邻域建模和概率过滤框架发展的趋势。与纯几何方法相比,这些方法在面对杂乱的城市背景、传感器噪声和环境变化时具有更好的韧性。未来的发展可能会通过结合基于学习的模型、不确定性量化和实时优化来进一步完善这些技术,进一步提高路边感知的准确性。

4.1.3 其他方法

除了传统的基于距离和密度的策略外,最近的研究还探索了多种基于投影的、时空的、学习驱动的和混合的背景过滤方法,以增强路边激光雷达数据处理的鲁棒性和适应性。这些类别反映了现代发展的内在逻辑,并为理解其核心原理提供了结构化的视角。基于投影的方法将三维点云简化为结构化的二维表示,以降低维度复杂性并提高计算效率。基于切片的投影过滤(SPF)方法(林等人,2020年)将3D点投影到极坐标空间,并使用人工神经网络(ANN)进行分类,从而提高对道路坡度和传感器倾斜的适应性。同样,自适应极坐标网格高斯混合模型(APG-GMM)(王和兰,2022年)构建极坐标网格,并应用高斯混合模型动态分离背景和前景点,有效减轻了城市环境中极点、植被和其他静态结构的干扰。

基于时空的方法利用连续帧之间的时间一致性来构建稳定的背景表示。平均背景建模方法(郑等人,2021年)通过帧间差异聚合多个历史帧来构建多层次背景图。体素累积方法(刘等人,2022年;齐等人,2024年)计算体素化空间中点的出现频率,将持续占用的体素标记为背景,从而高效去除静态元素。计算效率高的基于点的过滤(吴等人,2021b年)进一步记录点随时间的行为,并根据邻居数量和帧间距离指标去除背景;时间密度变化(林等人,2023年)测量随时间变化的密度并识别稀疏激光雷达数据集中的移动目标。

学习驱动的方法使用统计或神经模型实现自适应、数据驱动的过滤,能够在不同的环境条件下进行泛化。例如,带有狄利克雷先验的t分布混合模型(张等人,2020b年)应用贝叶斯推断来区分时空子空间中的前景簇和稳定背景区域。统计参数自调整方法(陈等人,2023年)根据交通模式和传感器行为自动调整模型参数,提高在不同路边环境下的适应性。混合方法结合了多种线索(如距离、密度和时间信息),在准确性和计算效率之间取得平衡。距离和密度自适应过滤(DDAF)算法(肖等人,2024年)结合距离矩阵差异和极坐标空间中的椭圆聚类,从而在不同交通密度下提高鲁棒性。八叉树+RCOR过滤方法(苏等人,2023年)使用八叉树划分压缩历史激光雷达数据,并应用概率射线投射来提取静态背景点,支持GPU加速的实时处理。ABF-FSBME框架(刘等人,2023b年)引入了一种云-边缘-终端协作设计,利用空间划分和基于方差的滑动窗口来隔离前景干扰最小的帧,同时保持高效的云端背景建模。

总体而言,背景过滤策略的多样性扩展表明了向多模态、结构感知和计算高效方法的明确进展。这些方法越来越多地结合了投影几何、时空统计、密度一致性和混合学习模型,为实际路边激光雷达部署提供了强大且可扩展的背景过滤。特别是在复杂和嘈杂的环境中,这种集成框架通过动态适应场景上下文、传感器行为和交通变化,优于传统的基于规则的方法。

4.2 移动对象检测

已经提出了多种用于路边激光雷达系统的移动对象检测方法,旨在准确识别和定位动态道路用户,如车辆、骑自行车的人和行人。这些方法为后续任务(包括对象跟踪、轨迹预测和交通行为分析)提供了关键基础。根据它们的处理流程和数据表示策略,现有的检测方法可以大致分为两类:依赖手工特征和几何推理的传统基于聚类的方法,以及利用神经网络提取高级语义信息的深度学习基于3D的对象检测器。以下小节将回顾这两类中的代表性技术,首先介绍基于聚类的对象分类。

4.2.1 基于聚类的对象分类

越来越多的对象检测方法是基于路边激光雷达系统开发的,这些方法可以大致分为传统的基于规则的方法和最先进的基于深度学习的技术(张等人,2020a年)。传统方法通常遵循三个阶段的过程:背景过滤以消除无关的静态点(如第4.1节所讨论的),点聚类将分散的激光雷达返回数据分组为对象候选者,以及对象分类以区分不同的移动对象(张等人,2020a年;赵等人,2019b年)。过滤后,只剩下对应于道路上对象(如车辆或行人)的动态点。这些点使用四种主要策略之一进行聚类:基于质心的聚类、基于分布的聚类、基于距离的聚类和基于密度的聚类。其中,基于距离和密度的聚类方法在路边激光雷达应用中最广泛使用,因为它们具有计算效率和适应性。基于距离的方法,如欧几里得聚类提取(ECE)(迪特尔等人,2017年),依赖于预定义的点间距离阈值和聚类大小限制来分组对象。相比之下,基于密度的方法(如DBSCAN)(埃斯特等人,1996年)根据局部点密度分组点,由两个主要参数控制:最小点数(MinPts)和搜索半径?。DBSCAN的一个关键优势是不需要预先知道簇的数量,使其非常适合动态交通环境。然而,固定参数可能会限制在对象密度和距离随相对于传感器的位置变化时的性能。为了解决这个问题,一些工作提出了自适应DBSCAN变体,根据空间位置或点分布动态调整MinPts和?,显著提高了实际交通场景中的聚类准确性(徐等人,2018年;吴等人,2020c年;吴等人,2019b年;赵等人,2019b年)。

大量研究将传统的机器学习方法应用于路边激光雷达数据的对象分类,特征选择和分类器设计对其性能至关重要。大多数现有工作依赖于从聚类点组中提取的低级几何特征。常见的特征包括簇中的点数、对象尺寸(如长度、宽度和高度)、高度轮廓和纵横比、到激光雷达传感器的距离以及簇内点的统计分布(张等人,2020a年;崔等人,2019年;宋等人,2021年;赵等人,2019b年;张等人,2021年)。已经探索了多种分类器,包括朴素贝叶斯、K最近邻(KNN)、支持向量机(SVM)、随机森林(RF)、反向传播神经网络(BPNN/BP-ANN)和概率神经网络(PNN)。一些研究使用单一分类器(例如,赵等人,2019b年;张等人,2021年),而其他研究则比较了多个模型以确定最佳性能选项(例如,张等人,2020a年;崔等人,2019年;吴等人,2019年;宋等人,2021年)。例如,吴等人(2019b年)和崔等人(2019年)评估了朴素贝叶斯、KNN、RF和SVM进行车辆检测,并报告RF取得了最高的准确性。宋等人(2021年)使用SVM、RF、BPNN和PNN将道路用户分类为十个类别,得出结论认为带有高斯核的SVM表现最佳。同样,张等人(2020a)在四个特征集上比较了随机森林(RF)和支持向量机(SVM)的性能,发现RF略微优于SVM。这些结果证实了在选择了合适的几何特征后,传统的机器学习方法对于基于路边激光雷达的对象分类是有效的。4.2.2 基于深度学习的目标检测近年来,针对3D激光雷达数据的目标检测开发出了越来越多的深度学习方法。点云的无序和不规则特性使得直接使用需要结构化数据的卷积神经网络来处理这些数据变得困难。因此,需要将原始数据转换为紧凑且结构化的表示形式(Aung等人,2024年)。根据数据表示的类型,这些基于深度学习的3D目标检测方法可以分为基于体积的(体素-based,Zhou和Tuzel,2018年;Yan等人,2018年;Shi等人,2020年;Ye等人,2020年;Kuang等人,2020年;Lang等人,2019年;You和Kim,2022年)、基于点的(Zhou和Yu,2022年;Ngiam等人,2019年)、基于投影的(Li等人,2016年;Meyer等人,2019b年;Meyer等人,2019a年;Chen等人,2017年)以及基于图的(Jung等人,2022年)(参见Aung等人,2024年的图5)。深度学习的最新进展显著提高了从激光雷达数据中进行3D目标检测的能力。然而,由于缺乏大规模标注的基础设施侧数据集,这些方法在路边激光雷达中的应用仍然相对较少。为了解决这些问题,研究人员开发了一系列方法,这些方法可以大致分为以下子领域(在表3中进行了总结和分析):下载:下载高分辨率图像(315KB)下载:下载全尺寸图像图5. 3D目标检测流程(Aung等人,2024年)。从迁移学习到无监督领域适应:鉴于车载激光雷达和基础设施安装的激光雷达之间的领域差异,许多研究首先尝试将预训练的检测器转移到路边场景中。在手动标注的路边数据集上对模型进行微调,如PointVoxel-RCNN(PV-RCNN)(Zhang等人,2022a;Lengerer等人,2023年),可以提供良好的性能,但会带来显著的标注成本。为了减少对标注的依赖,研究人员随后转向了无监督领域适应(UDA)。例如DINOSTAR(Shahbaz和Agarwal,2025年)和SE-ProPillars(Zimmer等人,2023c)利用伪标注、一致性训练或即时自训练来对齐车载和路边领域之间的特征。同样,Guo等人(2024年)引入了时空一致性机制来增强无标注情况下的适应能力。其他策略包括合成增强迁移学习,即在真实路边数据上进行微调之前使用来自ShapeNet或CARLA的合成数据(Lakshmanan等人,2023年;Zimmer等人,2022年)。虽然微调可以带来较高的准确性,但它严重依赖于大量的手动标注。相比之下,UDA方法在缺乏大规模标注的路边数据的情况下通常是首选。针对路边特定情况的检测器架构:随着研究人员意识到即使通过UDA转移车载检测器也不足以应对高度稀疏、远距离的路边场景,下一步的发展是设计专门针对基础设施安装的激光雷达的检测器。SE-ProPillars(Zimmer等人,2023c)和DASE-ProPillars(Zimmer等人,2022)通过堆叠注意力模块、分层特征融合和基于一致性的自编码增强了原始的PointPillars架构。AFRNet(Wang等人,2024a)引入了一个无锚点的框架,使用大型稀疏核卷积和注意力机制。RDSSD(Lv等人,2024)结合了类别引导的采样和任务特定的候选生成来提高对小目标和远距离目标的检测能力。CetrRoad(Shi等人,2023)结合了基于体素的BEV编码器和基于变压器的检测头,特别是在检测车辆和骑自行车者方面表现出高性能。GC-Net(Zhang等人,2020c)对路边激光雷达点进行网格化,然后使用Grid-DBSCAN进行提议,接着使用紧凑的CNN进行逐个对象的监督,从而在真实城市数据上实现更高的准确性和更低的延迟。DBSCAN + 轻量级CNN方法(Xu等人,2022年;Zhao等人,2018年)使用背景过滤、DBSCAN和自注意力CNN或ANN进行车辆/行人识别。Zhao等人(2024)提出的轨迹增强分类结合了基于运动的特征,以改善不平衡数据下的分类效果。协作式路边-车载或多传感器感知:为了克服遮挡并扩展感知范围,协作式感知成为下一个进步方向。与单传感器路边检测器不同,后者受到远距离稀疏性和视角依赖性盲区的限制,协作式方法利用互补的视角来实现更完整的场景理解。PAFNet(Wang等人,2024b)引入了柱状注意力融合,用于车辆-基础设施协作(VIC)感知。其基于注意力的设计在准确性和计算成本之间提供了有效的平衡,适合实时部署。PillarGrid(Bai等人,2022a)在车载和路边激光雷达之间进行了更深层次的特征级融合,从而在密集或遮挡的场景中提高了检测准确性,但代价是增加了延迟和系统复杂性。相比之下,双激光雷达融合+伪高清地图框架(Park等人,2024)专注于融合两个路边传感器并维护动态更新的BEV地图,提供了更好的时间稳定性并降低了校准敏感性,但提供的几何互补性不如车载-路边融合。抗天气干扰的检测:在雨天或雪天场景中的检测面临独特挑战,通过鲁棒聚类和去噪策略来解决。例如3D-SDBSCAN(Wu等人,2020c)、基于光束密度的过滤(Sun等人,2022a)和强度建模(Wu等人,2020a)通过利用空间密度、光束级模式或强度-距离关系来区分车辆和雪花及雨引起的噪声。自适应欧几里得聚类(Gong等人,2021)通过根据局部点分布动态调整聚类阈值,在恶劣天气下进一步提高性能。相比之下,3D-SDBSCAN在去除大型不规则噪声簇方面具有最强的能力,但在高密度降雪时计算负担较重。基于光束密度的过滤更高效,更适合实时系统,但在降水噪声遵循一致垂直结构时表现最佳。强度建模在区分真实物体和小雪花方面具有高精度,但需要特定于传感器的校准,并且可能在不同激光雷达模型之间的泛化能力较差。自适应欧几里得聚类通过不依赖强度或光束级假设来提高鲁棒性,尽管其对参数调整的敏感性仍是一个限制。轻量级实时检测:为了满足实时需求,特别是在边缘设备上,开发了几种轻量级检测方法。FecNet(Gong等人,2023)引入了特征级联和增强模块来提高多尺度检测性能,当需要检测小物体时更为适用。DE-SECOND(Tao和Ren,2024)通过结合动态体素编码和焦点稀疏卷积来增强基于体素的检测。由于其高效的体素编码,它在延迟-准确性权衡方面表现更好,适合在时间限制严格的边缘设备上部署。此外,像Jetson TX2这样的低功耗嵌入式平台已经证明了支持高效检测流程的能力,在实际条件下实现了超过80%的准确性(Minh和Bich,2023)。基于Jetson TX2的流程展示了实际可行性,但严重依赖于模型压缩和硬件优化。作为这些深度学习方法的补充,Anand等人(2020)提出了一种针对实时交通监控的传统基于几何的检测流程。他们的方法包括体素下采样、阴影点去除、地面平面拟合和欧几里得聚类,随后进行统计过滤以进行对象分类。这种基于规则的框架既可解释又适合计算资源有限的环境,但在复杂或远距离场景下的性能通常不如轻量级深度模型。总体而言,深度轻量级检测器在准确性方面表现优异,而基于规则的流程在资源极其有限的环境中仍然具有优势。表3. 路边激光雷达目标检测方法的比较分析。类别核心思想优势局限性参考文献迁移学习使用预训练的车载激光雷达模型来弥合领域差异;当有标注的路边数据时性能强劲;良好的基线适应需要手动标注;对稀疏远距离目标的泛化能力有限Zhang等人,2022a;Lengerer等人,2023UDAR使用伪标注和一致性训练来减少对大规模标签的依赖最佳的成本-性能平衡;无需标注即可跨领域适应对伪标签噪声敏感;性能取决于领域重叠Shahbaz和Agarwal,2025;Zimmer等人,2023c;Guo等人,2024针对路边特定情况的检测器克服路边激光雷达特有的稀疏点密度、远距离感知和遮挡问题对于小目标、远距离目标或部分遮挡目标具有最高的准确性;强大的特征建模计算成本较高;模型复杂性增加,部署难度增加Zimmer等人,2023c;Lv等人,2024;Shi等人,2023;Zhao等人,2024协作式感知通过结合路边/车载或多传感器特征来扩展覆盖范围并减少遮挡最佳的长距离召回率和轨迹完整性;提高了对盲点的鲁棒性需要传感器之间的校准、同步和通信Wang等人,2024b;Bai等人,2022a;Park等人,2024抗天气干扰检测通过强度建模和自适应聚类来减轻雨雪噪声和虚假反射造成的性能下降在暴雨/大雪中非常有效通常特定于数据集;可能需要手动调整阈值Wu等人,2020c;Sun等人,2022a;Wu等人,2020a;Gong等人,2021轻量级/实时检测满足路边边缘设备的严格延迟和计算限制能够在嵌入式平台上实现实时部署;稳定的确定性流程与全尺寸深度模型相比牺牲了一些准确性Gong等人,2023;Tao和Ren,2024;Minh和Bich,2023;Anand等人,20204.3 移动对象跟踪准确且连续地跟踪移动对象对于理解交通行为和实现智能交通系统至关重要。在路边激光雷达应用中,对象跟踪面临独特的挑战,包括有限的传感器视角、来自静态结构的遮挡以及远距离的点稀疏性。研究人员开发了一系列跟踪策略,这些策略在依赖检测输出、时间建模能力和在现实世界复杂性下的鲁棒性方面有所不同。这些方法可以大致分为两个主要范式:基于检测的跟踪,它建立在每帧对象检测的基础上;以及独立于检测或联合框架,旨在通过时间聚合或集成建模来克服检测失败。以下部分回顾并比较了这两个范式内的最新进展(在表4中进行了总结)。表4. 基于路边激光雷达的跟踪方法总结。跟踪范式关键特征著名技术参考文献基于检测的跟踪模块化流程:检测 → 聚类 → 分类 → 跟踪- 背景减除 + DBSCAN - Hungarian算法、JPDA、GNN、IMM、卡尔曼滤波Zhao等人(2019b)Zhang等人(2020a)Wu(2018)适用于低通道激光雷达(稀疏、遮挡场景)- 车道级运动 + 基于搜索的关联 - L形边界框 + 自适应IMM - 3DIS + 融合亲和度指标(外观、运动、几何)Zhou等人(2025)Gong等人(2025)Ma等人(2024b)Liu等人(2023a)适用于轻量级实时系统- 基于质心的KF跟踪 - SORT风格流程 - PV-RCNN + 3D卡尔曼滤波器 + 重新识别模块 - 基于卡尔曼的速度平滑Wang等人(2020)Zhang(2023b)Zhang等人(2025a)Zhang等人(2023)同时检测和跟踪将检测和跟踪集成在一起以提高时间稳定性- 动态点的时空表示 - 由跟踪对象历史引导的检测 - JDAT:PV-RCNN + UKF + JPDAFXiao等人(2016)Yan等人(2017)Zhang等人(2022a)检测前跟踪对象分类延迟;簇基于时间运动模式- ST-stack:累积多帧点云 - 对遮挡和运动不连续性具有鲁棒性Chang等人(2023)4.3.1 基于检测的跟踪方法大多数路边激光雷达跟踪框架采用基于检测的跟踪策略。在这个流程中,首先使用背景减除从原始激光雷达数据中提取动态点,然后使用聚类算法(通常是DBSCAN)将这些点分组为单独的道路用户。接着应用对象分类来识别车辆或易受伤害的道路用户(VRUs),无论是通过车道定位(Wu,2018)还是基于簇的分类(Zhang等人,2020a)。跟踪通常通过数据关联算法实现,如Hungarian算法或联合概率数据关联(JPDA),结合运动模型如卡尔曼滤波器(KF)、交互式多模型滤波器(IMMF)或全局最近邻(GNN)滤波(Zhao等人,2019b;Wu,2018)。最近的努力集中在改进这一范式,以适应低通道激光雷达系统,其中遮挡和数据稀疏性更为普遍。例如,一种全周期车道级跟踪方法(Liu等人,2023a)将基于DBSCAN的检测与基于搜索的关联策略相结合,受到微观车道级运动模型的约束。类似地,其他工作(Gong等人,2025;Ma等人,2024b)提出了考虑遮挡的跟踪框架,这些框架结合了几何特征(例如L形边界框)并采用自适应Hungarian匹配和基于IMM的轨迹预测来提高跟踪连续性。Zhou等人(2025)进一步通过结合3D实例分割(3DIS)和JPDAF来增强在稀疏和杂乱场景下的鲁棒性,利用融合的亲和度指标(外观、运动、几何)进行关联。同时,Tracklet Proposal Network(PC-TCNN)(Wu等人,2021a)通过引入短期轨迹提议并细化时空一致性来增强基于检测的跟踪,从而提高鲁棒性和轨迹稳定性。还探索了用于实时部署的轻量级跟踪系统。一些方法依赖于基于质心的在线跟踪,使用卡尔曼滤波器和简化的SORT(简单在线实时跟踪)风格的数据流(Zhang, 2023b, Zhang et al., 2025a),而其他方法则使用基于深度学习的检测技术(例如PV-RCNN),结合3D卡尔曼滤波和重新识别模块(Wang et al., 2020)。基于卡尔曼的平滑和速度估计技术被用来在噪声条件下优化轨迹并提高速度测量的准确性(Zhang et al., 2023)。4.3.2. 与检测无关的框架和联合框架尽管基于检测的跟踪方法仍然占主导地位,但在长距离检测间隙、遮挡和点云碎片化等情况下表现不佳。为了解决这些问题,出现了与检测无关的策略,主要包括同时检测和跟踪以及检测前的跟踪。这些与检测无关的方法代表了向更健壮和适应性更强的跟踪架构的转变,能够在复杂、多类和拥挤的城市环境中保持对象的连续性。同时检测和跟踪方法将对象跟踪直接集成到检测过程中。一些方法将移动点投影到时空表示中(Xiao et al., 2016),而其他方法则使用先前跟踪的对象来引导和稳定后续帧中的检测(Yan et al., 2017)。例如,Zhang等人(2022a)引入了一个联合检测和跟踪(JDAT)框架,该框架应用PV-RCNN进行点级检测,并将其与无迹卡尔曼滤波器(UKF)和JPDAF结合用于实时轨迹估计。另一方面,检测前的跟踪方法延迟对象分类,专注于从时间聚合的点云中聚类运动模式。这种策略受益于上下文交通模式,减少了对每帧检测的依赖。它主要是为了通过利用时间累积来缓解单次激光雷达扫描的局限性,从而显著提高点密度、运动区分能力和在长距离和稀疏条件下的跟踪鲁棒性。Chang等人(2023)提出了一种时空堆栈(ST-stack)方法,该方法随时间累积点返回,即使在方向变化和停止-启动运动转换的情况下也能实现稳健的聚类和轨迹构建。4.3.3. 对比分析这三种跟踪范式各自具有不同的优势和局限性,这些优势和局限性由它们的基本假设决定。基于检测的跟踪方法由于其模块化、可解释性和与传统基于聚类的检测方法以及现代深度学习检测器的兼容性而最为广泛使用。它在短到中等范围的感知中表现可靠,但在遮挡、长距离稀疏和检测碎片化条件下性能下降——这些情况在低通道路边激光雷达中很常见。相比之下,同时检测和跟踪方法通过直接利用历史运动线索来稳定当前检测,提供了更紧密的时间耦合。这种集成提高了对缺失检测和噪声背景的鲁棒性,尽管增加了算法复杂性和对强检测先验的依赖性,可能会提高实时路边部署的计算成本。最后,检测前的跟踪方法在严重稀疏、停止-启动运动和长距离场景下提供了更好的鲁棒性,通过在分类之前聚合时空点证据。这些方法即使在每帧检测失败的情况下也能保持对象的连续性,但它们通常会牺牲类别级别的精度,并且在缺乏额外语义先验的情况下可能难以处理密集的多类交通。在实际应用中,基于检测的跟踪方法更适合实时、类别感知的交通监控,而与检测无关的框架——特别是检测前的跟踪方法——更适合处理具有遮挡、碎片化和长距离退化的具有挑战性的路边环境。5. 交通信息的应用在检测和跟踪道路用户之后,开发了多种下游任务来进一步分析、解释和响应动态交通行为。这些任务对于实现更高层次的应用(如轨迹预测、碰撞风险评估和智能交通系统中的行为理解)至关重要。利用路边激光雷达捕获的丰富时空信息,研究人员提出了多种算法来模拟代理意图、评估安全关键场景和评估交通性能。在以下部分,我们回顾了三个主要下游应用类别的代表性进展:轨迹预测、碰撞预测和警告以及其他应用,如行为/性能分析。5.1. 轨迹预测在本文中,对象跟踪和轨迹预测被视为两个密切相关但不同的过程。跟踪专注于从连续的激光雷达帧中获取道路用户的连续和准确轨迹,而轨迹预测则进一步利用运动历史和环境上下文来估计它们在观察时间范围之外的未来运动。随着路边激光雷达的日益部署,轨迹预测已成为智能交通系统和自动驾驶的基石。早期工作使用经典序列模型(如长短期记忆(LSTM)来利用轨迹历史、信号相位和风险指标来模拟车辆和行人行为(Zhou et al., 2024b, Zhao et al., 2019c)。贝叶斯优化已被引入以自动微调模型参数,以提高车辆轨迹的预测准确性(Zhou et al., 2024a)。现在,多任务和端到端框架允许直接从原始点云中进行同时检测、分类、跟踪和预测,从而减少模块化误差传播(Meng et al., 2023)。自监督方法已经出现,能够在高速公路合流区域捕捉驾驶员行为,并在准确性和意图预测方面超越传统的监督模型(如Social-LSTM和Maneuver-Aware Pooling)(Ma et al., 2024a)。利用V2X数据和信号相位信息的混合模型也显示出潜力。其中一种方法通过GM-PHD模型处理V2X数据,并将其输入到增强了Q学习的LSTM中,以考虑时空特征(Wang et al., 2023)。其他模型将HD地图作为结构先验(Meng et al., 2023)或直接将机器学习应用于占用网格图以进行未来场景预测(Matsushita et al., 2025)。行人行为建模也在进步。从激光雷达中提取帧级运动和上下文特征,使用分类器(如ANN、逻辑回归和决策树)来推断穿越意图,并通过多数投票增强实时预测的稳定性(Zhao et al., 2019c, álvarez-Ossorio Martinez and Margreiter, 2023)。5.2. 碰撞预测和警告路边激光雷达能够捕获细粒度的时空交互数据,这对于主动安全评估至关重要。早期方法侧重于使用DA-ANN和LSTM模型结合信号相位来识别行人穿越意图(Zhao et al., 2019c, Zhou et al., 2024b)。冲突风险通过替代指标(如碰撞时间(TTC)、侵入后时间(PET)、修改后的TTC(MTTC)和碰撞严重性指数(CSI)来量化(Wu et al., 2020b, Bhattarai et al., 2023, Bataineh et al., 2025, Bhattarai et al., 2024)。先进的系统现在将这些指标与实时轨迹分析相结合,以实现准确的冲突检测(Wu et al., 2020b, Hou et al., 2024a)。例如,自设计的框架可以识别涉及车辆、行人和送货摩托车的接近碰撞事件,结合转向意图、排斥力模型或风险场(Lin et al., 2024c)。数据驱动技术扩展到使用单变量/双变量极值理论(EVT)基于替代指标来预测碰撞频率(Bhattarai et al., 2023)。基于深度学习的混合模型,如CNN-LSTM和1D-CNN-LSTM,整合了时空依赖性,在接近碰撞预测中实现了高准确性(Palit and Osman, 2023)。一些系统甚至结合了增强现实警告(Lin et al., 2024b)或可穿戴安全应用,以实时提高行人安全性。通过使用盲区检测框架和激光雷达驱动的行人轨迹跟踪,增强了右转车辆的碰撞避免能力,在城市交叉口中取得了成功应用(Ni et al., 2020, Park and Kee, 2024)。5.3. 其他应用除了预测和安全警告之外,路边激光雷达还支持一系列交通性能和行为分析应用。交通信号评估:高分辨率的车辆轨迹用于生成Purdue Probe Diagrams(PPDs),测量绿色信号时的到达情况、分流失败和控制延迟,并通过连接车辆数据进行了强有力的验证(Saldivar-Carranza and Bullock, 2024)。驾驶行为建模:激光雷达能够高保真地提取车辆跟随行为和超车意图,从而开发出优于传统GM和Newell模型的改进行为模型(Yang et al., 2022, Yang et al., 2023)。合流区域的行为分类:研究利用轨迹特征使用分类器(如XGBoost和SVM)来分类驾驶风格(例如,激进型 vs. 稳定型)(Wu et al., 2025)。实时变道和遮挡处理:用于变道识别(Cui et al., 2020)和遮挡下的轨迹修复(Luo et al., 2025)的方法扩展了激光雷达在动态环境中的实用性。冲突类型分类:在信号化交叉口中自动多类冲突识别使用TTC和PET阈值分析数千个交互案例,提供特定阶段的统计洞察(Zheng et al., 2024)。可扩展性和泛化:综合框架展示了如何将激光雷达扩展到城市交叉口,与信号相位系统集成,并用于实时运营分析(Bandaru, 2023)。6. 路边感知数据集虽然大多数自动驾驶的基准数据集(例如KITTI、Waymo、NuScenes)是使用车载传感器收集的,但它们在支持基于基础设施的感知任务(如智能交叉口监控、遮挡处理和协作V2X感知)方面存在不足。近年来,出现了几个路边激光雷达或激光雷达-相机数据集(见表5,部分激光雷达示例见图6),提供了不同的传感器配置、覆盖场景和注释质量,以应对这些挑战。BAAI-VANJEE数据集(Yongqiang et al., 2021)是早期对路边感知的贡献,提供了来自中国城市交叉口和高速公路的2500帧激光雷达数据和5000张RGB图像。该数据集使用32束路边激光雷达和双RGB相机捕获,涵盖了多种天气和光照条件,支持基础设施侧感知的基础工作。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图6. 路边激光雷达数据集的可视化示例。表5. 路边感知数据集摘要。数据集年份收集地点传感器类型和数量数据量主要任务道路用户类别天气和光照条件特点和优势参考文献Ko-PER2014德国阿沙芬堡- 14× SICK LD-MRS(8层)- 8× CCD单目相机 - (仅使用2个)4800+激光雷达帧 - 9600+相机帧 - 3个序列- 多对象检测 - 多对象跟踪汽车、卡车、公交车、两轮车、行人–- 固定路边设置 - 多视图融合 - 支持跟踪Strigel et al. (2014)BAAI-VANJEE2021中国城市交叉口和高速公路- 1× VANJEE 32L激光雷达 - 4× RGB相机(90°视场角)- 2500激光雷达帧 - 5000图像帧 - 74K 3D框,105K 2D框- 2D对象检测 - 3D对象检测 - 多传感器融合行人、自行车、摩托车、三轮车、汽车、货车、面包车、半挂牵引车、特殊车辆、路障晴天、多云、下雨;白天和夜晚- 多样化天气 - 多传感器同步 - 强大的长距离检测Yongqiang et al. (2021)IPS300+2022中国北京城市交叉口- 2× Robosense Ruby-Lite 80束激光雷达 - 4× 5.44MP相机 - 2× GPS(BS-280)14,198总帧 - 319.84标签/帧(平均)- 3D标签@5 Hz- 3D对象检测 - 多对象跟踪行人、骑自行车者、三轮车、汽车、公交车、卡车、工程车辆–- 高密度标签 - 长距离覆盖 - 同步IPUWang et al. (2022)DAIR-V2X-I2022中国北京28个交叉口- 1× 300束激光雷达 - 1× 1920× 1080相机10k激光雷达帧 - 10k图像帧 - 493k 3D框- 3D对象检测 - V2X协作感知车辆、行人、骑自行车者(共10类)多样化天气和光照;白天和夜晚- 真实路边场景 - 多样化交叉口 - 高分辨率传感器Yu et al. (2022)A92022A9高速公路,德国- 2× Ouster OS1-64激光雷达(360°视场角)- 2× Basler ace相机(1920× 1200)4800激光雷达帧 - 4800 RGB图像 - 57K 3D框(38K融合)- 3D对象检测 - 多对象跟踪- 路边感知汽车、卡车、拖车、面包车、摩托车、公交车、行人、自行车、紧急车辆- 高密度标签 - 多样化天气 - 复杂交通Zimmer et al. (2023a)LUMPI2022德国汉诺威大型交叉口- 最多5× 360°激光雷达(16-64层,10 Hz)- 最多3× RGB相机90k激光雷达帧 - 200k图像 - 7个测量- 3D对象检测 - 多对象跟踪 - 协作算法开发汽车、公交车、卡车、摩托车、行人、骑自行车者晴天、多云;- 多位置激光雷达 - 城市场景 - 大型交叉口覆盖Busch et al. (2022)Rope3D2022–- 1× 40束激光雷达(RS-40)- 1× RGB相机50k图像帧 - 50k激光雷达帧- 单目3D对象检测汽车、大型车辆、行人、骑自行车者白天、夜晚、黎明/黄昏、各种天气(晴/多云/下雨)- 大规模 - 多样化道路场景Ye et al. (2022)TUMTraf2023德国慕尼黑城市街道- 2×激光雷达(OS1-64, RS-lidar-32)- 5×相机(Basler 1920× 1200)- GNSS、IMU5000相机帧 - 2000激光雷达帧 - 8个序列- 协作3D对象检测 - 多对象跟踪汽车、卡车、拖车、面包车、摩托车、公交车、行人、自行车晴天(白天)、多云(夜晚);多样化天气和光照- 高多样性 - 真实交叉口 - 多模态3D跟踪Zimmer et al. (2023b)Int2Sec2024中国武汉城市交叉口- 2× 80束激光雷达(双路边)- 1× GNSS接收器12k激光雷达帧 - 338k 3D框 - 1988条轨迹(S)- 3D对象检测 - 3D多对象跟踪- 运动状态估计汽车、行人、摩托车手、面包车、卡车、公交车、自行车、骑自行车者晴天、下雨、多云;白天和夜晚- 双激光雷达覆盖 - 运动状态标签 - 支持3D跟踪Tang et al. (2024)IPS 300+数据集(Wang et al., 2022)专注于一个大型城市交叉口,提供了由对角安装在交叉口上的双80束激光雷达和同步相机收集的14,198个多模态帧。这些数据集具有密集的注释,平均每帧包含超过300个对象,涵盖七类对象,非常适合用于交通场景中的多视图融合、传感器协作和遮挡推理。DAIR-V2X-I数据集(Yu等人,2022年)是更广泛的DAIR-V2X基准测试的一个子集,旨在促进车辆与基础设施之间的协作感知。该数据集包含了使用300束激光雷达和高分辨率相机在北京28个交叉口捕获的10,084帧激光雷达和相机图像。数据集对10类对象进行了详尽的注释,支持基础设施与车辆之间的联合感知和传感器融合研究。A9数据集(Zimmer等人,2023a年)提供了来自德国A9高速公路Providentia++测试场的路边数据,使用了64束激光雷达、雷达以及安装在龙门架和桅杆上的相机。该数据集包含1098帧图像和超过14,000个3D对象注释,从多个角度捕捉了密集的高速公路交通情况,支持基于基础设施的远距离对象检测和跟踪。LUMPI数据集(Busch等人,2022年)提供了在交叉口使用三种不同激光雷达-相机配置记录的145分钟多视图路边传感器数据。通过GPS同步和六类对象,它提供了多样化的传感器配置和天气条件,非常适合评估传感器鲁棒性、融合策略和遮挡处理。Ko-PER数据集(Strigel等人,2014年)展示了在复杂交叉口使用14台激光扫描仪和8台相机获得的早期路边感知数据,并提供了RTK-GPS的车辆位置真实值。其同步的传感器数据支持现实世界交通中的多对象检测和跟踪,继续作为交叉口相关研究的基准。Rope3D数据集(Ye等人,2022年)是一个专为单目3D路边感知设计的大规模数据集,包含超过50,000张图像和150万个注释的3D对象。它包括2D-3D联合注释,并提出了新的评估指标,使得在多样化的视角、交通密度和环境条件下进行单目检测成为可能。TUMTraf数据集(Zimmer等人,2023b年)贡献了一个高分辨率的路边数据集,包含4,800帧激光雷达-相机同步图像和57,400个3D对象注释,涵盖了10类对象。这些数据集使用安装在龙门架上的传感器在城市交叉口进行记录,包括校准数据,并支持复杂的驾驶操作(例如U型转弯、超车),支持全面的3D检测和传感器融合任务。最后,Int2sec数据集(Tang等人,2024年)专为交叉口的智能数字孪生应用设计,使用双路路边激光雷达站来捕获大面积覆盖并减少遮挡,包含带有运动状态和跟踪ID的3D对象注释。上述数据集可以大致按照以下关键维度进行分类:

(1) 基础设施中心设计和城市规模覆盖。一些数据集专门为交叉口或高速公路的路边感知设计,能够覆盖大型城市区域和复杂驾驶操作:BAAI-VANJEE和DAIR-V2X-I专注于具有多模态传感器配置和丰富注释的中国交叉口。IPS 300+强调通过双80束激光雷达和同步的高分辨率相机实现多视图融合和遮挡处理。TUMTraf和LUMPI提供了具有细粒度跟踪注释和复杂道路几何形状的欧洲城市数据。

(2) 多模态和多角度传感器配置。为了克服遮挡并提高鲁棒性,这些数据集通常包括:双激光雷达或多激光雷达配置(例如IPS 300+、Int2Sec、LUMPI)以实现更宽的视野和冗余;同步的相机和雷达(例如A9数据集)以支持传感器融合研究;GNSS/RTK集成(例如Ko-PER、TUMTraf)以实现真实值参考和精确定位。

(3) 丰富的注释和多样的对象类别。大多数数据集提供:密集的3D边界框和多个对象类别(TUMTraf中最多达到10类);跟踪ID、运动状态和用于行为建模的细粒度注释(例如Int2Sec、DAIR-V2X-I);用于单目和基于融合的感知的2D-3D联合注释(例如Rope3D)。

(4) 支持高级任务。这些数据集的设计超越了静态检测:遮挡感知:多角度和多传感器配置允许在遮挡条件下测试鲁棒性;协作式V2X感知:DAIR-V2X-I和Int2Sec支持车载-路边联合建模;数字孪生应用:Int2Sec支持带有语义标签和运动估计的实时交通数字孪生构建;单目3D感知:Rope3D独特地支持从单视图图像中学习3D对象位置。

7. 讨论与展望
对路边激光雷达系统的兴趣日益增长,反映了它们在实现智能交通基础设施的高分辨率实时感知中的关键作用(Zhang,2023a)。这些系统越来越多地被集成到城市环境中,以支持车辆与基础设施的协作、交通监控和安全提升。在激光雷达技术的基础能力之上,最近的进展扩展了感知任务的范围,同时也揭示了新的研究挑战。以下部分对当前路边激光雷达感知的状态进行了结构化讨论,指出了其核心组件的关键技术瓶颈,并探讨了在大规模、协作式和自适应感知生态系统背景下的未来方向(见图7摘要)。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像

图7. 挑战与机遇

7.1. 路边激光雷达传感器部署
路边激光雷达传感器的最佳部署对于最大化覆盖范围、最小化盲点以及确保在多样化交通环境中的可靠感知至关重要(Chen等人,2024年;Kim等人,2023年)。当前的方法通常将放置任务视为MIN问题——在固定传感器预算下最小化传感器数量以实现全覆盖,或FIX问题——在固定传感器预算下最大化覆盖范围(Zhao等人,2013年)。以MIN为重点的研究采用点云驱动的聚类、虚拟激光雷达模拟和多目标优化来减少传感器数量而不牺牲覆盖范围(Ma等人,2022年;Ji等人,2023年)。以FIX为导向的研究通过基于模拟的优化、替代指标、感知驱动的放置、协作式多传感器策略和联合内在-外在建模取得进展(Jiang等人,2025年;Zhao等人,2022年)。这些趋势标志着从纯几何覆盖向感知感知、协作式和参数优化部署策略的转变。然而,实际应用仍面临关键挑战:对特定场地条件的敏感性、覆盖范围与成本之间的权衡,以及适应不断变化的城市布局或施工和停放车辆造成的临时遮挡的难度(Guerna等人,2022年)。环境因素如植被、天气和光照变化也会影响最佳高度和方向决策(Lin等人,2025年)。此外,大多数研究依赖于静态的简化场景,限制了它们在复杂动态交叉口的适用性(Ma等人,2023年)。未来的研究可以关注利用移动或半移动路边单元的自适应和可重构部署策略,多模态协同设计整合相机、雷达和V2X通信(Guerna等人,2022年;Ma等人,2024c),以及使用实时交通和环境数据的AI驱动的放置优化(Mohanty等人,2025年)。将传感器部署规划嵌入更广泛的感知-基础设施协同设计框架中,可以进一步使放置决策与下游检测、跟踪和安全目标保持一致(Wu等人,2024年)。将部署模拟与操作系统的实时反馈相结合,可以为智能交通系统提供持续优化和有弹性的感知基础设施(Bejarbaneh等人,2024年)。

7.2. 路边多激光雷达配准
多激光雷达融合解决了单传感器系统中的遮挡和有限空间覆盖问题(Sun等人,2018年;Xiao等人,2024年),准确的点云配准是前提条件(Huang等人,2021b)。最近的方法采用结构化特征(例如道路边缘、地面平面、反光标志)(Xiao等人,2024年;Lin等人,2024a;Zhang等人,2022b)、基于GPS的初始化(Tian等人,2021年)和稳健的ICP变体(Wu等人,2019a;Zhang等人,2020d)的粗到细的流程。进展还包括全局-局部优化(Yue等人,2019年)、高反射率目标或低通道传感器的2D简化(Lv等人,2019年)以及基于检测或轨迹的对齐(Ren等人,2023年),这表明了向特征引导、基于GPS的信息和基于轨迹的配准策略的转变,以实现稳健的多激光雷达融合。尽管取得了显著进展,但仍存在几个关键挑战。在异构和大规模部署中,跨传感器校准和时间同步并非易事(Li等人,2023年)。在低重叠或高动态场景中,配准精度会受到影响(Huang等人,2021a;Qin等人,2022年),通信带宽限制往往迫使在保真度和延迟之间做出权衡(Zhang,2025年)。此外,由于缺乏多样化的标注多激光雷达数据集,跨部署地点的泛化受到限制,而在恶劣天气下的性能下降仍然是一个持续存在的问题(Di等人,2024年)。未来的解决方案可能包括采用自校准、场景适应的框架,这些框架整合了几何、语义和基于学习的匹配,以确保在不断变化的条件下的稳定配准(Fung等人,2024年;Yuan等人,2020年)。通过V2X和多模态融合的协作感知可以增强冗余并减轻遮挡,而轻量级压缩和选择性传输策略可以在不牺牲准确性的情况下减少带宽需求(Zhang,2025年)。将融合的激光雷达数据整合到城市数字孪生中,可以进一步支持主动交通管理、安全分析和预测控制,将感知与智能交通系统中的高级决策相结合(Wu等人,2024年;Di等人,2024年)。

7.3. 动态交通信息提取
基于路边激光雷达的动态交通信息提取已经发展成为一个多阶段处理流程,包括背景过滤、移动对象检测和对象跟踪(Bai等人,2022b)。背景过滤方法从早期的基于规则的方法发展到适应性强、场景感知的框架,利用空间距离一致性(Zhao等人,2019d;Xiao等人,2016年)、点密度稳定性(Wu等人,2018年;Cui等人,2019年)、投影几何(Lin等人,2020年;Wang和Lan,2022年)和混合时空建模(Xiao等人,2024年;Liu等人,2023b)来稳健地分离动态目标与复杂的静态环境。移动对象检测已经从基于聚类的流程和手工制作的几何特征及传统分类器(例如SVM、RF)(Zhang等人,2020a;Wu等人,2019b;Song等人,2021年)发展到先进的深度学习架构——基于体素、柱子、点和投影的架构,这些架构通过迁移学习、领域适应和协作感知逐渐适应于安装在基础设施上的设置(Zhang等人,2022a;Zimmer等人,2023c;Shahbaz和Agarwal,2025年;Wang等人,2024b)。跟踪策略也从传统的基于检测的流程(例如背景减除、DBSCAN、Kalman滤波)(Zhao等人,2019b;Wu等人,2018年)扩展到包括检测独立的方法,如同时检测-跟踪(Xiao等人,2016年;Zhang等人,2022a)和检测前跟踪(Chang等人,2023年),这些方法在遮挡、稀疏性和远距离检测间隙下提高了鲁棒性。尽管取得了这些进展,但在确保在不同交通密度、传感器配置和环境条件下的性能一致性方面仍存在挑战,特别是对于低通道激光雷达和恶劣天气场景(Gong等人,2021年;Sun等人,2022a)。然而,几个持续的挑战阻碍了路边激光雷达感知的鲁棒性和可扩展性。首先,在低通道配置或严重遮挡、恶劣天气条件下,性能往往会下降,其中点稀疏性、噪声和动态杂乱会降低检测和跟踪的稳定性(Gong等人,2021年;Sun等人,2022a)。其次,由于传感器放置、安装高度、交通密度和场景几何的变化,跨站点部署存在领域差异(Zhang等人,2022a;Zimmer等人,2023c)。第三,大规模、高质量标注的路边数据集的稀缺限制了为基础设施安装的视角定制的深度学习模型的训练(Aung等人,2024年;Shahbaz和Agarwal,2025年)。为了解决这些问题,最近的解决方案集中在自适应背景建模(Xiao等人,2024年;Chen等人,2023年)、领域适应和迁移学习(Shahbaz和Agarwal,2025年;Zimmer等人,2023c)、多传感器和协作感知(Wang等人,2024b;Bai等人,2022a)以及为边缘部署优化的轻量级实时架构(Minh和Bich,2023年;Tao和Ren,2024年)。此外,使用模拟平台(例如CARLA)和合成数据集的数据增强也被探索用于缓解注释稀缺问题(Lakshmanan等人,2023年;Zimmer等人,2022年)。展望未来,研究趋势指向自校准、场景适应的感知框架,这些框架结合了时空推理和跨模态融合,使模型能够在不同的城市布局和环境条件下泛化。统一的路边激光雷达基准和开放挑战也将有助于标准化评估协议,并加速技术从研究到大规模部署的转移。

7.4. 交通信息的应用
路边激光雷达已经实现了广泛的下游应用,超越了检测和跟踪,包括轨迹预测、碰撞风险评估和交通性能分析。当前的方法包括从经典的序列模型(如LSTM用于轨迹预测(Zhou等人,2024b;Zhao等人,2019c)、贝叶斯优化用于参数调整(Zhou等人,2024a)到混合GM-PHD-LSTM-Q学习框架用于时空融合(Wang等人,2023年),再到超越传统监督基线的自监督模型在意图预测方面的应用(Ma等人,2024a)。在碰撞风险评估中,替代安全指标(TTC、PET、MTTC、CSI)(Wu等人,2020b;Bhattarai等人,2023年;Bataineh等人,2025年)越来越多地与深度学习混合模型(如CNN-LSTM)结合,用于近碰撞预测(Palit和Osman,2023年),并扩展到增强现实和可穿戴安全应用(Lin等人,2024b)。为了更广泛的交通性能和行为分析,路边激光雷达支持诸如使用Purdue Probe Diagrams进行交通信号评估(Saldivar-Carranza和Bullock,2024年)、驾驶行为建模(Yang等人,2022年,2023年)以及交叉口的多类冲突分类(Zheng等人,2024年)等应用。尽管取得了这些进展,但仍存在一些限制。数据稀疏性、遮挡和样本不平衡——当轨迹因遮挡而破碎、点密度低(例如,低通道激光雷达)或少数类别(如行人)代表性不足时,预测准确性会显著下降(Luo等人,2025年,Gong等人,2021年)。跨站点泛化能力有限——大多数模型是为特定交叉口或场景训练的,导致在新环境中出现领域偏移和性能下降(Bandaru,2023年,Zhang等人,2022a)。替代指标缺乏上下文校准——广泛使用的安全指标如TTC和PET可能无法反映异构交通条件,从而限制了主动安全评估的可靠性(Bhattarai等人,2024年)。为了解决数据稀疏性和遮挡问题,研究人员提出了端到端的多任务框架,这些框架共同处理检测、跟踪和预测,以减少模块错误传播(Meng等人,2023年),以及从无标签数据中学习鲁棒意图预测的自监督方法(Ma等人,2024a)。为了缓解跨站点泛化问题,引入了迁移学习和领域适应框架,使预训练模型能够适应不同地理或交通环境中的基础设施安装的激光雷达(Shahbaz和Agarwal,2025年,Zimmer等人,2023c)。为了克服指标校准挑战,先进的安全评估方法结合了替代测量与极值理论(EVT)(Bhattarai等人,2023年)或风险场建模(Lin等人,2024c),提高了对多样化城市环境的敏感性。未来的研究趋势正朝着能够在遮挡和数据稀疏条件下保持稳定预测的鲁棒、自监督的感知-预测流程发展(Meng等人,2023年,Ma等人,2024a),确保能够扩展到低通道激光雷达和少数道路用户。未来的系统可能会强调自适应的、跨领域的泛化感知模型,这些模型能够自我校准并持续从流式路边数据中学习(Zhang等人,2022a,Shahbaz和Agarwal,2025年,Zimmer等人,2023c),减少特定地点重新训练的需求。未来的发展可能会集中在集成安全系统上,这些系统结合了替代测量、概率模型和AR/可穿戴接口,用于主动的、以人为中心的安全应用(Bhattarai等人,2023年,Lin等人,2024c,Lin等人,2024b,Saldivar-Carranza和Bullock,2024年),从而能够在多样化的城市环境中可靠部署。

7.5. 数据集
已经开发了多个基准数据集来支持路边激光雷达感知,这些数据集超出了传统的车载数据集,如KITTI、Waymo和NuScenes。代表性的贡献包括BAAI-VANJEE(Yongqiang等人,2021年)、IPS 300+(Wang等人,2022年)、DAIR-V2X-I(Yu等人,2022年)、A9(Zimmer等人,2023a)、LUMPI(Busch等人,2022年)、Ko-PER(Strigel等人,2014年)、Rope3D(Ye等人,2022年)、TUMTraf(Zimmer等人,2023b)和Int2Sec(Tang等人,2024年)。这些数据集共同提供了城市规模的覆盖范围(例如,DAIR-V2X-I、BAAI-VANJEE)、多模态和多角度传感器设置(例如,IPS 300+、A9、Int2Sec)、丰富的注释(例如,TUMTraf有57.4k个注释对象),并支持高级任务,如V2X感知(DAIR-V2X-I、Int2Sec)、遮挡处理(LUMPI、IPS 300+)和单目3D感知(Rope3D)。它们共同加速了基于基础设施的感知研究,涵盖了检测、跟踪和协作智能领域。对这些数据集的仔细检查揭示了几个阻碍进一步发展的开放性挑战:大多数路边数据集集中在少数地区(中国和欧洲)和特定场景中,交通密度、天气和光照的变化有限(Yongqiang等人,2021年,Zimmer等人,2023b);单激光雷达设置通常无法捕捉到隐藏在障碍物后面的道路使用者,限制了在密集交通中的性能(Wang等人,2022年,Busch等人,2022年);尽管边界框和类别标签广泛可用,但许多数据集缺乏细粒度注释,如运动状态、交互类型和行为标签(Ye等人,2022年,Zimmer等人,2023b)。像BAAI-VANJEE(Yongqiang等人,2021年)和LUMPI(Busch等人,2022年)这样的数据集开始通过包含不同的天气、光照和交叉口几何形状来解决第一个挑战。对于第二个挑战,像IPS 300+(Wang等人,2022年)、Int2Sec(Tang等人,2024年)和A9(Zimmer等人,2023a)这样的数据集采用了双激光雷达或多激光雷达设置、同步摄像头和雷达来扩展视野并减少遮挡。为了解决第三个挑战,像Int2Sec(Tang等人,2024年)和DAIR-V2X-I(Yu等人,2022年)这样的数据集通过添加跟踪ID、运动状态和V2X信息来丰富注释,从而实现交互和行为建模。建议未来的基准测试系统性地捕获多区域、全天气的路边数据,以确保在各种部署环境中的鲁棒泛化(Zimmer等人,2023a,Zimmer等人,2023b)。新兴的数据集还可以强调冗余的路边感知和V2X支持的协作框架,即使在严重遮挡下也能实现鲁棒的感知(Yu等人,2022年,Tang等人,2024年)。此外,未来的基准测试预计将提供行为注释和交互语义,以支持数字孪生、安全分析和轨迹预测任务(Tang等人,2024年,Zheng等人,2024年)。

7.6. 多模态路边感知
尽管激光雷达由于其精确的3D几何形状和对光照的鲁棒性而成为路边感知的主要传感模式,但仅使用激光雷达的系统仍然面临一些内在限制,这些限制限制了其在实际应用中的性能。首先,大多数激光雷达传感器的空间分辨率随距离的增加而迅速下降,导致大约30-40米以外的点密度显著降低。因此,远处的车辆或小物体仅由少数点表示,使得可靠检测和分类变得困难。其次,激光雷达对恶劣天气(如大雨、雪和雾)仍然敏感,这可能会引入噪声、虚假返回和衰减。第三,高分辨率或高通道数的激光雷达传感器仍然昂贵,使得大规模路边基础设施的广泛部署在经济上变得困难。为了解决这些挑战,最近的研究表明,将激光雷达与互补的传感模式集成(多模态感知)可以显著增强路边感知系统。RGB相机在远距离提供丰富的语义和纹理信息,并具有高空间分辨率;热成像相机在低光照和夜间条件下保持鲁棒性;事件相机在高速、高动态范围场景中表现良好;雷达在恶劣天气和大感知范围内提供可靠的测量。这些互补的传感特性可以大大提高检测的鲁棒性、远距离感知能力和全天气操作性。为了支持这一讨论,附上了一个比较表(表6),总结了关键传感器特性,突出了每种模式的优点和局限性以及与路边激光雷达系统融合时实现的潜在协同效应。

表6. 不同路边传感模式的比较
| 传感器类型 | 空间分辨率 | 天气鲁棒性 | 成本 | 优点 | 局限性 |
| --- | --- | --- | --- | --- | --- |
| 激光雷达 | 高(近距)/低(远距) | 对雨/雾敏感 | 高精度3D几何形状 | 远处物体的点稀疏 |
| RGB相机 | 高 | 在低光照或雾中表现差 | 丰富的纹理和颜色线索 | 对光照变化敏感 |
| 热成像相机 | 中等 | 在低光照和雾中鲁棒 | 中等至高 | 检测热签名 |
| 事件相机 | 非常高(时间) | 中等 | 捕捉快速运动动态 | 复杂的数据表示 |
| 雷达 | 低(空间)/高(范围) | 优秀 | 中等 | 长距离检测和全天气 |
| 8. 结论 |
本文全面回顾了基于路边激光雷达的交通感知系统,强调了它们在实现高精度、实时场景分析和理解城市交通中的关键作用。我们系统地分析了四个核心模块的最新技术——传感器布置、多传感器融合、动态交通信息提取及其后续应用,并调查了代表性的基准数据集。这些研究突出了基于基础设施的感知在提供广泛覆盖范围、时间一致性和协作感知方面的独特优势。尽管取得了快速进展,但仍存在一些未解决的问题。这些问题包括覆盖范围和成本之间的部署权衡、异构传感器之间的校准和同步、在遮挡和恶劣天气下的鲁棒对象检测和跟踪,以及算法在多样化城市环境中的有限泛化能力。这些挑战凸显了需要更强大的基准测试和评估协议来统一分散的努力。有希望的解决方案正在出现。基于几何和学习的点云配准、基于密度和距离的背景过滤以及多对象检测和跟踪的进步提高了准确性和鲁棒性。协作V2X框架、领域适应方法和多模态传感器融合策略也使得部署更加可扩展。这些方向为鲁棒的路边感知提供了技术基础。未来的研究应强调三个相互关联的趋势。首先,感知驱动的基础设施设计,其中传感器部署与交通控制和安全目标共同优化,可以最大化有限路边资源的效用。其次,边缘-云-终端协作有望在真实的城市环境中实现低延迟、高吞吐量操作。第三,可泛化和自适应的感知模型——利用迁移学习、视觉基础模型和自监督学习——对于在城市和道路网络中扩展解决方案至关重要。最终,路边激光雷达感知将在智能交通系统、数字孪生构建和协作车辆-基础设施应用中发挥变革性作用。

CRediT作者贡献声明
Jiaxing Zhang:撰写——审阅与编辑、撰写——原始草稿、可视化、验证、资源管理、方法论、形式分析、概念化。
Chengjun Ge:撰写——审阅与编辑、可视化、验证、数据管理。
Wen Xiao:监督、资源管理、项目管理、调查、资金获取、形式分析。
Miao Tang:软件、资源管理、形式分析、数据管理、概念化。
Jon Mills:撰写——审阅与编辑、监督、调查、形式分析。
Benjamin Coifman:撰写——审阅与编辑、资源管理、调查、形式分析、数据管理、概念化。
Nengcheng Chen:撰写——审阅与编辑、监督、项目管理、调查、资金获取。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号