基于行为导向的车道表示学习用于多任务交通数字孪生
计算机视觉与模式识别
2026-05-05 v1 人工智能
摘要
交通数字孪生是高级交通管理的强大工具，但大多数系统基于静态几何表示构建。然而，这些表示无法捕捉行为感知推理所需的动态功能语义，例如车道在复杂交通条件下如何运行。为此，我们引入GeoLaneRep，这是一个面向交通数字孪生的行为导向车道表示学习框架。GeoLaneRep 联合编码静态车道几何、观测车辆轨迹和运行描述符，注入共享的跨摄像头语义嵌入中。该编码器通过结合对比跨摄像头对齐、辅助角色监督和时间异常检测的联合目标进行训练。在16个路侧摄像机和132条车道上，所学嵌入在零样本跨摄像头匹配中实现 的横向秩误差和 的边缘角色 F1 分数，窗口级异常检测的 AUROC 为 。我们进一步表明，相同的行为嵌入可用于条件化扩散生成器，以满足特定运行规格的车道几何进行合成，在38个车道组中实现 的整体规格准确率。GeoLaneRep 为路侧观察与下游数字孪生任务之间提供了语义接口，支持跨摄像头迁移、行为感知监控和目标导向车道合成。该框架已开源于 https://github.com/raynbowy23/GeoLaneRep。
引用
@article{arxiv.2605.01901,
title = {Behavior-Grounded Lane Representation Learning for Multi-Task Traffic Digital Twins},
author = {Rei Tamaru and Pei Li and Bin Ran},
journal= {arXiv preprint arXiv:2605.01901},
year = {2026}
}