轻量级数字孪生框架用于边缘辅助车辆跟踪与碰撞预测

车辆跟踪、运动估计和碰撞预测是智能交通系统（ITS）中交通安全与管理的基本组件。许多近期方法依赖计算密集型预测模型，这限制了其在资源受限边缘设备上的实际部署。本文提出了一种轻量级数字孪生框架，用于车辆跟踪和时空碰撞预测，该框架仅依赖目标检测，不需要复杂的轨迹预测网络。该框架在Quantser Interactive Labs（QLabs）中实现和评估，该实验室是城市交通环境的高保真数字孪生体，使其能够实现受控且可重复的情景生成。部署基于YOLO的检测器于模拟边缘摄像头，以定位车辆并提取帧级质心轨迹。从多个遍历中构建离线路径图，并使用K-D树进行索引，以支持高效的在线车辆与路段关联。在运行时，维持一致的车辆标识符，估计车辆速度和方向，这些是从路径索引的时间演化中推断出来的，依此预测未来位置。通过分析预测的未来轨迹的空间接近性和时间重叠来识别潜在碰撞。我们的实验结果在多样化的模拟城市情景中显示，所提出的框架在发生之前预测约88%的碰撞事件，同时保持适用于边缘部署的低计算开销。该工作不引入计算密集型预测模型，而是为ITS中面向实时边缘部署的车辆跟踪和碰撞预测提供了轻量级数字孪生解决方案。