2021年10月12日-15日，第七届中国国际互联网+大学生创新创业大赛总决赛在南昌大学举行。课题组杜豫川教授团队申报的“同陆云-道路管养数字化领导者”项目，从228万余个评审项目脱颖而出，斩获全国银奖的佳绩！ 中国国际“互联网+”创新创业大赛是全球性创新创业竞赛平台，由教育部等12个中央部委单位和江西省人民政府共同主办，获习近平总书记回信、总理倡议、副总理出席，是深化创新创业教育改革的载体。作为全球最大最好的路演平台之一，吸引来自世界各地，全球五大洲121个国家和地区的4347所院校、228万余个项目、956万余人次报名参赛，经过激烈角逐，获得大赛银奖及以上奖项的比例约为万分之三。“互联网+”大赛是排名第一的学科竞赛，在最新的专业评估方案中，也被列为二级指标“就业与创新创业教育”里的单列“审核重点”项，有力支撑学科建设和专业建设。 创新竞赛就是师生教学互长的过程。2021年12月15日，2021年同济大学创新创业教育成果表彰会暨“中行杯”系列双创竞赛颁奖典礼在四平路校区逸夫楼举行，由同济大学顾祥林副校长颁奖，杜豫川教授受表彰获第七届中国国际“互联网+”大学生创新创业大赛优秀指
同济大学智能交通新兴计算与感知研究课题组，在中科院1区Top期刊Automation in Construction发表了由翁梓航、古丽妮尕尔•阿卜来提、吴荻非、刘成龙、李峰、杜豫川、曹静撰写的研究论文“Rapid pavement aggregategradation estimation based on 3D data using a multi-feature fusion network”。沥青路面的粒料分布对路面早期性能有重要影响，然而在施工过程中难以把控，因此亟需实时无损的路面级配快速估计的方法。本文利用三维激光数据，构建基于多特征融合的残差网络卷积神经网络对路面级配进行预估。10个几何特征参数和8个基于二维小波分解的参数在残差网络的全连接层进行融合。本文获取八种级配类型的路面共800个样本作为数据集（720 个用于训练，80个用于测试）。提出的模型(ResNet+MLP) 在八分类问题中表现最好，在测试集的预测F1值达到0.96。将其用于级配曲线的预估，多元回归模型预测结果R方为0.86。在雄安新区新建高速上进行现场实证，证明了算法的可行性。本文建立了三维路面纹理与路面
同济大学智能交通新兴计算与感知研究课题组，在中科院1区Top期刊IEEETransactions on Intelligent Transportation Systems上发表了题为“A Novel Spatio-Temporal Synchronization Method of Roadside Asynchronous MMW Radar-Camera for Sensor Fusion”的研究论文，论文作者为同济大学的杜豫川（Yuchuan Du）、覃伯豪（BohaoQin）、赵聪（Cong Zhao）、朱逸凡（Yifan Zhu）、曹静（Jing Cao）和暨育雄（Yuxiong Ji）。该研究聚焦于智慧道路中分离式的路侧摄像头和毫米波（millimeter-wave, MMW）雷达时空同步问题，在提取场景特征和交通流特征的基础上，构建了时空同步优化模型和相应求解算法。研究成果为路侧多传感器时空同步提供了一种便捷、高效、安全、经济的方法。在智能车路协同系统中，如摄像机和毫米波雷达等路侧传感器可以为智能网联车提供超视距的交通信息。区别于车载设备的是，现有路侧传感器往往隶属于不
同济大学智能交通新兴计算与感知研究课题组，在中科院1区Top期刊Transportation Research Part C: Engineering Technologies上发表了题为“Macroscopic modeling and dynamic control of on-street cruising-for-parking of autonomous vehicles in a multi-region urban road network”的研究论文，论文作者为同济大学的赵聪（Cong Zhao）、李兴华（Xinghua Li）、杜豫川（Yuchuan Du）和埃因霍芬理工大学（Eindhoven University of Technology）的Feixiong Liao。该研究聚焦城市“停车难”痛点，在解析自动驾驶对停车模式影响的基础上，提出了网联云调度的停车管理新范式，为智能网联交通环境下的城市停车管理提供了新思路和相应的决策支持工具。 为定量分析自动驾驶环境下停车巡游与动态交通之间的影响关系，我们提出了柯布道格拉斯式（Cobb-Douglas）的区域停车泊
同济大学智能交通新兴计算与感知研究课题组，在JCR一区期刊Computer-Aided Civil and Infrastructure Engineering发表了由李亦舜、车蓬禹、刘成龙、吴荻非、杜豫川撰写的研究论文“Cross-scene pavementdistress detection by a novel transfer learning framework”。该研究成果主要介绍了一种将现有用于病害检测的深度学习模型快速部署应用在新场景下的迁移学习框架。深度学习在路面病害的自动检测方面取得了可喜的成果。但是，训练模型的有效性根据不同相机类型及其安装位置获取的数据和场景而有所不同。每次场景变化时，重新收集、标记数据并重新训练新模型耗时费力。在本文中，我们提出了一个迁移学习框架来解决这个问题，它使病害检测模型能够应用于其他未经训练的场景。该框架由两个主要组件组成：数据迁移和模型迁移。前者训练生成对抗网络将现有图像数据转换为新的场景风格。然后，基于注意力机制的CutMix和图像融合被应用于插入病害标注以合成新场景的标记数据。数据扩充后，后一步将现有模型提取的通用特征通过域自适
同济大学智能交通新兴计算与感知研究课题组，在中科院1区Top期刊Transportation Research Part C发表了由刘成龙、吴荻非、李亦舜、杜豫川撰写的研究论文“Large-scale pavementroughness measurements with vehicle crowdsourced data using semi-supervised learning”。大规模路网路面平整度的快速测量长期以来一直是路面状况评估领域的热门话题。大多数传统方法依赖于专用设备，例如线性激光、激光雷达等，这些设备主要安装在定制的车辆上。随着传感技术的快速发展，普通用户车辆利用车载设备、移动终端等方式，也具备了采集振动、地理信息等数据的能力。该众包数据集操作方便、覆盖面广、价格低廉、采样频率高，使其成为大规模路面平整度的合适来源。然而，由于隐私保护，这些数据缺少车辆信息，使得它们很难应用于传统的动力学分析模型中。因此，在本文中，我们提出了一种半监督学习模型来解决数据不完整和多车辆数据融合的问题。首先建立了基于车辆动力学特征的反应式国际平整度指数(IRI)的解析模型。然后，考虑到多
