面向智能车辆的现役道路设施行驶适应性研究综述

为了总结面向智能车辆的现役道路设施行驶适应性，即现役道路基础设施承载智能车辆行驶的适宜程度，阐述自主智能驾驶定义与驾驶自动化等级分类，在此基础上剖析不同等级间的人机功能差异，并分别从感知层、感知-决策层、决策-控制层探讨与道路设计要素相关联的人机功能差异，通过归纳总结智能车辆与道路几何要素、路面性能及其他道路要素(如道路标线)的相互作用机制研究，从道路工程角度及其他道路要素方面回顾该领域的研究现状，指出存在的问题和未来发展方向。研究结果表明：相比传统车辆，配置高等级自动驾驶系统的智能车辆对现役道路设施行驶适应性最高，主动安全系统次之，而驾驶辅助及有条件自动驾驶系统适应性不足。而目前研究主要问题包括：难以归纳、标定不同驾驶自动化等级间的人机功能差异及其对于道路设计参数的需求设计值；测试道路场景条件过于理想，考虑的驾驶自动化等级单一，试验规模和样本有限；道路几何、路面性能以及道路标志、标线等道路要素与智能车辆间的相互作用机制研究不足，缺乏与不同道路场景相匹配的智能车辆驾驶特征数据的获取手段。因此建议：重视并推动与道路设计要素相关联的关键人机功能差异指标信息共享；联合高保真且可交互的道路场景、高精度感知传感器物理模型、车辆动力学模型及微观交通流模型，利用测试场景自动化生成、极限工况场景搜寻与泛化等技术开展智能驾驶虚拟测试，突破现有研究的深度和广度；探索反映不同等级智能车辆的道路行驶适应性特征指标与评价标准，精准、有效地评估预测复杂道路场景及不利道路条件下的行驶适应性。     

基于车载LiDAR数据的公路竖向净空自动化评估

现役道路基础设施管理过程中缺乏大范围区域内不同路段的现状或实时的竖向净空数字化资料，导致部分过高车辆撞击跨线桥或其他上空构造物的事故时有发生，造成了重大财产损失与人员伤亡。针对该问题，基于车载LiDAR数据构建公路竖向净空自动化评估方法框架。通过数据重构方法将复杂道路线形的车载LiDAR点云转化为简单的直线形式，利用基于线性索引的点云数据分块方法实现重构场景下车载LiDAR数据的条形、柱形与体素单元的快速分块，建立柱形单元非平面点初步滤波、基于K-Means与体素聚类的复杂LiDAR点云环境中路面优化分割流程。在基于条形单元划分提取道路边界后，利用体素聚类将路面上方点云进行划分。以提取的路面点云作为二维插值基准面，完成不同物体的竖向净空计算，并利用江苏南京市内的2条公路LiDAR数据的对算法框架进行测试。研究结果表明：所提方法在噪音存在的复杂LiDAR环境中可以有效分割出道路上方物体并完成竖向净空的计算；通过部分算法提取与人工标注结果的对比，显示公路1与公路2的竖向净空平均绝对误差分别为0.94、1.57 cm，具有较好的可靠性；在32 GB内存、Intel® Xeon® E5-1650 v4@3.6 GHz六核处理器的计算机上完成公路1与公路2竖向净空评估的平均时间分别为6.62、7.83 s·km^-1，算法效率可满足大尺度场景下的公路竖向净空自动化计算；相比于已有研究方法，所提方法框架考虑了车载LiDAR点云环境内的路面上测量噪音的存在，对变宽度路面条件复杂场景下的公路竖向净空评估具有更好的适用性。     

基于激光雷达点云的道路几何信息提取与数字化建模研究

为实现快速、自动化的道路几何信息提取和数字化建模，基于激光雷达点云提出了一套从道路语义分割、几何线形提取到集成化建模的通用框架。首先，基于空间上下文特征基础框架，将局部特征的最大值和邻域均值进行聚合以作为局部特征，使用径向分布参数与三维坐标描述全局上下文特征，构建道路语义分割网络。其次，基于道路场景分割结果，通过体素降采样和半径滤波法减少点云数据量、去除离群点，并利用可变半径Alpha Shapes (VA-Shapes)算法提取道路边线，结合获取的边线横纵坐标，计算路段几何信息(路宽、纵坡、横坡等),使用inshape函数和插值法构建交叉口的数字高程模型。最后，采用Dynamo for Revit将道路几何信息导入并生成道路路线，通过Revit软件设计道路自适应族构件及不同类别基础设施族构件，实现精细化道路数字建模。利用开源数据集Semantic3D进行训练和测试，分析与评价道路几何信息提取效果。研究结果表明：所提出的算法总体准确度为95%,路面的单类交并比为97.9%,能够很好地实现道路点云场景的自动化语义分割；相比于传统的固定半径Alpha Shapes算法，VA-Shapes算...