Geo-ORBIT：面向场景自适应车道几何检测的联邦数字孪生框架
计算机视觉与模式识别
2025-07-14 v1 人工智能
摘要
数字孪生 (Digital Twin, DT) 有望通过创建交通系统的动态虚拟表示来变革交通管理与运营，这些表示能够感知环境条件、分析运营情况并支持决策。然而，交通系统的数字孪生的关键组件——动态道路几何感知——目前的方法往往依赖静态地图或高成本传感器，限制了其可扩展性与适应性。此外，大规模数字孪生系统在收集与分析多源数据时，还面临隐私、通信与计算效率等挑战。为此，我们提出了 Geo-ORBIT (Geometrical Operational Roadway Blueprint with Integrated Twin)，一个统一框架，集成了实时车道检测、数字孪生同步与联邦元学习。Geo-ORBIT 的核心是 GeoLane——一种轻量级车道检测模型，通过路侧摄像机获取车辆轨迹数据以学习车道几何。我们通过 Meta-GeoLane 拓展该模型，实现对局部实体的检测参数个性化；并引入 FedMeta-GeoLane 联邦学习策略，确保跨路侧部署的可扩展性与隐私保护。该系统集成CARLA与SUMO，构建高保真数字孪生模型，实时渲染高速公路场景并捕获交通流。广泛的城市场景实验表明，FedMeta-GeoLane 在基线与元学习方法中 consistently 取得优异性能，几何误差降低，针对未知位置的泛化能力增强，同时大幅降低通信开销。本工作为数字孪生中灵活、情境感知的基础设施建模奠定了基础。该框架已公开于 https://github.com/raynbowy23/FedMeta-GeoLane.git。
引用
@article{arxiv.2507.08743,
title = {Geo-ORBIT: A Federated Digital Twin Framework for Scene-Adaptive Lane Geometry Detection},
author = {Rei Tamaru and Pei Li and Bin Ran},
journal= {arXiv preprint arXiv:2507.08743},
year = {2025}
}