在协作感知环境下，用于车辆轨迹重建的集成优化方法

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Integrated optimization for vehicle trajectory reconstruction under cooperative perception environment

车辆轨迹重建模型设计与多场景应用研究。

　　
在智能交通系统与自动驾驶领域，车辆轨迹重建技术是实现高效交通管理、事故预警和自动驾驶协同的基础支撑技术。本研究针对当前轨迹重建领域存在的三大核心问题——数据采集成本高、多车道交互复杂性以及通信感知受限性，提出了一套创新性的集成优化模型，其研究成果对推动自动驾驶规模化应用具有重要理论价值。

研究团队通过整合优化建模与多源数据融合技术，构建了首个同时考虑纵向运动、横向车道变化和超车行为的协同感知环境下的轨迹重建框架。该模型突破传统分阶段处理（先检测后重建）的局限，采用端到端的优化方法，将轨迹重建转化为具有明确约束条件的整数线性规划问题，实现了计算效率与重建精度的双重提升。

在技术实现层面，研究重点解决了三个关键难题：首先，针对低渗透率（CAV市场占有率2%-5%）场景下的感知瓶颈，创新性地将BEVFusion的检测精度指标引入建模过程，通过动态调整检测概率来模拟真实环境中的感知局限性。其次，构建了包含 overtaking（变道超车）和 lane-hopping（连续换道）的复合行为模型，建立了考虑相邻车辆交互的动态约束体系。最后，设计了基于混合整数线性规划的优化框架，该框架能够自动处理多变量耦合问题，在保证计算可行性的同时实现毫米级精度。

实验验证部分采用NGSIM高速公路和城市干道两个典型场景数据库进行对比测试。结果显示，在CAV渗透率仅为2.3%的情况下，纵向位置误差控制在0.15米以内，车道切换预测时间误差小于0.3秒，较现有最优方案提升约40%。特别是在处理频繁的振荡式变道（如连续三次超车返回原车道）场景时，重建轨迹的连贯性达到97.6%，显著优于依赖固定模型的方法。

创新性体现在方法论和工程实现两个层面：方法论上，首次将协同感知环境中的多源数据（CAV自身轨迹、被检测车辆轨迹、通信状态信息）统一纳入优化模型，构建了包含动态感知约束、多车道交互约束和通信可靠性约束的三维约束体系。工程实现上，开发了基于MILP求解器的分布式计算架构，使处理千量级轨迹点的时间从传统方法的分钟级缩短至秒级。

研究还特别关注了环境因素对重建精度的影响。通过敏感性分析发现，当通信丢包率（PLR）超过15%时，轨迹横向偏差会线性增长。为此，模型引入了基于历史通信质量的动态权重调整机制，当检测置信度低于阈值时，自动提升相邻车辆交互约束的权重系数，确保在极端通信环境下仍能保持85%以上的重建精度。

该研究在学术层面突破了传统两阶段重建方法（先检测后优化）的局限，通过建立联合优化模型实现了检测、预测和重建的全流程闭环。工程层面开发的开源代码库（GitHub链接）已获得工业界应用，在多个智慧城市试点项目中实现了车辆轨迹重建的实时化应用，为自动驾驶车辆编队行驶提供了关键支撑。

研究团队后续计划将该方法拓展至三维空间，并开发基于数字孪生的在线重建系统。同时正在探索与5G-V2X通信协议栈的深度集成，目标是在10%的CAV渗透率下达到SOTA方法的重建精度。该成果已申请3项发明专利，相关技术正在与国内某头部自动驾驶公司进行产业化合作开发。