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，考虑到多车辆场景，设计了一种基于置信度的自训练模型来迭代估计道路网络中各路段的IRI。该算法同时考虑了车辆参数的置信度和IRI估计的置信度以提高结果的可靠性和鲁棒性。构建了整车仿真模型与路网检测环境以验证所提出模型的有效性，结果表明：网络中50个路段的总体预估相对误差小于10%，显著优于传统的多车平均模型，并发现 SSL 模型的误差显著依赖于迭代次序。基于所提出的模型，进一步讨论了采样率和车辆数量对模型精度的耦合影响。所提出的方法为大规模路面平整度测量提供了新方法。

论文链接：https://www.sciencedirect.com/science/article/pii/S0968090X21000784