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
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International Journal of PavementEngineering发表了由刘成龙、吴荻非、李亦舜、蒋盛川、杜豫川撰写的研究论文“Mathematical insightsinto the relationship between pavement roughness and vehicle vibration”。路面平整度是用于道路养护和资产管理的重要指标。作为一种公认的测量方式，反应式装备使我们能够通过测量车内振动来收集路面平整度参数。然而，现有研究大都从振动数据的分布特征进行路面平整度的预估，缺少对其内在动力学机理的讨论。考虑到路面平整度引起的悬架振动和发动机引起的悬架振动的耦合作用，本文推导国际平整度指数和车内振动之间的数学关系模型。以四分之一车模型作为研究对象，根据其线性时不变系统特性，采用拉普拉斯变化与功率谱密度分析方法，客观描述车辆振动的传递过程，并量化了四量纲发动机的影响。通过200多公里的现场测试，分别在低IRI和高IRI场景下与传统的FFT和RMS方法进行比较，验证了所提出模型的准确性。结
