智能交通系统中的浮动车观察者：检测建模与时间洞察
物理与社会
2025-05-07 v1 计算机视觉与模式识别
系统与控制
系统与控制
摘要
浮动车观察者（FCO）通过集成车载传感器来检测和定位其他交通参与者，从而扩展了传统的浮动车数据（FCD），提供了更丰富、更详细的交通数据。在这项工作中，我们探索了在微观交通仿真中对FCO检测进行建模的多种方法，以评估其在智能交通系统（ITS）应用中的潜力。这些方法范围从二维射线追踪到高保真联合仿真，后者模拟真实世界的传感器并集成三维目标检测算法，以紧密复现FCO检测。此外，我们引入了一种基于神经网络的仿真技术，该技术能有效逼近高保真联合仿真的结果。这种方法捕捉了FCO检测的独特特征，同时提供了一种快速且可扩展的建模解决方案。利用这种仿真方法，我们在一个由SUMO建模的交通网络数字孪生中研究了FCO数据的影响。结果表明，即使在20%的渗透率下，使用基于激光雷达（LiDAR）检测的FCO也能在各种交叉口和交通需求场景中识别出65%的车辆。当集成时间洞察时，进一步展现出潜力，能够恢复先前检测到但当前不可见的车辆。通过采用数据驱动的方法，我们以最小的位置偏差恢复了超过80%的此类车辆。这些发现强调了FCO在智能交通系统中的潜力，特别是在不同渗透率和交通条件下增强交通状态估计与监控方面。
引用
@article{arxiv.2505.02845,
title = {Floating Car Observers in Intelligent Transportation Systems: Detection Modeling and Temporal Insights},
author = {Jeremias Gerner and Klaus Bogenberger and Stefanie Schmidtner},
journal= {arXiv preprint arXiv:2505.02845},
year = {2025}
}