基于高精度轨迹的增量式车道级网络构建方法

《International Journal of Digital Earth》：An incremental lane-level network construction method based on high-precision trajectories

　　

车道级网络为自动驾驶提供空间参考，而轨迹对其维护仍然至关重要。然而，由于交通系统的复杂结构和多样化的驾驶行为，现有方法在建模网络动态方面能力有限。在这项研究中，研究人员引入了一个三阶段框架，通过融合轨迹数据与现有地图信息来增量式构建车道级网络。首先，研究人员设计了一个具有专门序列和空间特征的二元分类模型，用于检测和修剪随意车道变更轨迹，从而最小化冗余拓扑构建。随后，引入了一种车道均值漂移（lane-meanshift）聚类算法，通过应用密度相关惩罚来解决空间异质性，在带宽选择中集成方位和距离，以确保跨场景的稳健候选车道提取。最后，车道级局部地图匹配（lane-level partial map matching）准确检测新车道节点。后处理执行冗余检查，优化增量构建并导致网络的迭代完成。综合实验表明，该方法在车道提取、交叉口拓扑提取和增量更新任务上的指标优于最先进的方法。它在复杂场景中构建和更新准确、完整的车道级网络，并对数据量和算法参数的变化表现出强鲁棒性。

**论文解读：基于高精度轨迹的增量式车道级网络构建方法**

**研究背景与问题**
车道级网络（lane-level network）是高精地图（High-Definition Map）的核心要素，为自动驾驶车辆提供精细的道路几何和拓扑连接信息（包括车道几何形状、车段与交叉口的拓扑关系），是定位、导航以及下游行为生成与运动规划的关键先验约束。然而，交通系统结构复杂、驾驶行为多样（如随意性车道变更与强制性车道变更并存），现有基于轨迹的地图推理方法在建模网络动态方面能力有限：多数方法聚焦于从零构建（from-scratch construction）或特定场景（如平行道路或交叉口），缺乏统一处理车道几何与拓扑并支持增量更新的框架；同时，轨迹中混杂的随意性车道变更（discretionary lane change）会引入冗余拓扑，而现有车道变更检测方法多依赖外部监控或车载传感，难以直接适配轨迹推理场景。因此，该研究旨在提出一种融合高精度轨迹与现有地图信息的增量式车道级网络构建方法，统一从零构建与增量更新，提升复杂场景下的提取准确性与鲁棒性。

**研究内容与结论**
研究人员提出了一套三阶段框架，首先通过设计基于序列和空间特征的二元分类模型（SVM）检测并修剪随意车道变更轨迹段，以减少冗余拓扑；其次，引入密度惩罚的车道均值漂移聚类算法（lane-meanshift），在带宽选择中集成方位和距离以应对空间异质性，稳健提取候选车道；最后，采用车道级局部地图匹配（lane-level partial map matching）检测新车道节点，并通过冗余检查与置信度更新完成网络的增量构建。使用重庆长安汽车提供的两个高精度RTK车载轨迹数据集（10Hz，分米级定位）进行实验，结果表明该方法在车道提取、交叉口拓扑提取及增量更新任务上，在车道位置（Lane Location）、拓扑（TOPO）、交叉口（Junction）、车道出入口拓扑连接性（LETC）和冗余度（Redundancy）等指标上均优于Cao、Stanojevic、Chen、Arman、Yuan、Yang、Qin、Wan等基线方法；消融实验验证了各模块（DTSD、CLEL、LNIC）的互补作用，敏感性分析显示该方法对搜索距离、采样设置、定位噪声和数据量变化具有强鲁棒性。该论文发表在《International Journal of Digital Earth》。

**主要关键技术方法**
第一，随意车道变更轨迹段检测（DTSD）：基于SVM的二元分类器，输入22维特征向量，包含曲率（curvature）、最大角速度（maximum angular velocity）、方位角变化（azimuth change）、局部G统计量（G statistic）等序列特征，以及道路宽度变化（width variation）、同侧内角差（same-side interior angle difference）、轨迹绝对位置（trajectory absolute position）和轨迹-边界相对距离偏差序列（trajectory-to-boundary relative-distance deviation sequence）等空间特征。第二，候选车道提取（CLEL）：采用密度惩罚的车道均值漂移算法，在距离-方位空间定义高斯核权重，引入与局部轨迹样本密度相关的惩罚因子调整更新步长，带宽设定为标称车道宽度3.75 m和15°。第三，车道级网络增量构建（LNIC）：结合深度约束广度优先搜索（depth-constrained BFS）与改进的维特比递归（Viterbi recursion）进行局部地图匹配，对匹配路径增加置信度，未匹配路径根据端点连通性插入新车道或执行冗余检查。数据来源：重庆长安汽车有限公司提供的两个高精度车辆轨迹数据集（Dataset 1：4254条轨迹，490万点；Dataset 2：560条轨迹，55.6万点），覆盖道路段、交叉口和立交桥。

**研究结果**

**车道提取（Lane extraction）**
通过与Cao、Chen、Stanojevic、Arman、Yuan等基线方法在结构化道路场景上的对比实验，该方法在车道位置F1分数（0.916）、TOPO F1（0.897）和Junction F1（0.830）上均达到最优，分别超出最强基线1.3%、1.7%和7.5%。可视化结果显示，该方法在平行道路、车道过渡区和立交桥等场景中能更完整地提取车道、减少碎片化连接。

**交叉口拓扑提取（Intersection topology extraction）**
与Yang、Qin、Wan等基线方法在交叉口场景的对比表明，该方法在车道位置F1（0.867）和LETC F1（0.866）上分别超出最强基线1.7%和1.2%。在环岛、多车道合流/分流等复杂情况下，该方法恢复的车道更完整、冗余更少，这得益于车道级局部地图匹配的时间连续性及轨迹间关系。

**增量更新（Incremental update）**
与Yang的基线方法在新增车道和插入完整路段两个更新案例上的对比显示，该方法在车道位置F1（0.927）、TOPO F1（0.929）和Junction F1（0.828）上分别超出6.9%、5.5%和27.5%，冗余率低至0.064（降低4.1%）。通过隔离随意车道变更轨迹并利用部分地图匹配，该方法避免了在新车道与现有车道间引入多余连接和几何变形。

**配置变体对比（Comparative evaluation of configuration variants）**
通过移除DTSD、CLEL或LNIC模块的消融实验，完整方法（DTSD+CLEL+LNIC）在所有任务上取得最佳性能。移除DTSD导致随意车道变更引入冗余连接；移除CLEL导致车道空间不一致、同车道轨迹碎片化；以朴素点-网络插入策略替代LNIC则产生密集冗余链接，降低精确率。

**敏感性分析（Sensitivity analysis）**
通过扫描CLEL中搜索距离（1.5–4.9 m）发现，该方法在完整范围内性能稳定；LNIC中搜索距离在1.5–2.9 m时指标几乎不变，超过2.9 m后在交叉口略有下降，故推荐D=2 m。DTSD决策阈值τ的调整实验表明，默认边界（τ=0.0）获得最佳F1和最低冗余，过大导致欠修剪（冗余上升），过小导致过修剪（召回下降）。采样距离和角度的敏感性实验建议距离间隔不超过20 m、角度间隔小于5°。定位噪声在0.1–1.0 m范围内，性能下降有限，0.5 m以上更显著，其中交叉口拓扑提取最敏感，车道提取最稳定。轨迹样本量敏感性分析显示，简单多车道道路约需17条轨迹，环岛和立交桥通常需50–60条轨迹才能维持可靠召回。

**总结讨论与结论**
研究提出了一种融合高精度轨迹与现有道路网络的增量式车道级网络构建框架，通过随意车道变更段检测、密度惩罚的车道均值漂移聚类和车道级局部地图匹配，在复杂交通场景中恢复车道几何与拓扑。实验表明该方法在车道提取、交叉口拓扑提取和增量更新上优于现有基线，并具有稳健的参数和噪声鲁棒性。局限包括：复杂场景（如环岛、立交桥）依赖充足轨迹覆盖；部分模块（如DTSD决策阈值、LNIC搜索距离）在交叉口场景中参数敏感性较高；计算可扩展性和地理多样性验证尚不充分。未来工作将聚焦更大规模数据集、系统性计算剖析与可扩展性评估，以及更细粒度道路语义（如掉头车道）的扩展，并直接验证所得车道级网络在下游任务（轨迹生成、运动规划、控制等）中的表现。