《ADVANCED ENGINEERING INFORMATICS》：SynthRoads: A framework for comprehensive enrichment of the Scan-to-Twin process for road space modeling with synthetic data
编辑推荐：
本研究针对数字孪生（Digital Twin）构建中几何语义模型（GSM）自动化生成依赖大量人工标注、数据获取成本高且缺乏几何参数监督数据等挑战，提出了SynthRoads框架。该框架通过结合程序化建模与Unreal Engine 5高保真激光扫描模拟，自动生成具有丰富标注的点云、几何参数及GSM，显著提升了道路场景语义分割（如PointNeXt模型）和车道中心线回归任务的性能，为Scan-to-Twin流程提供了可扩展的合成数据支持，推动了基础设施数字化管理的发展。
在当今基础设施智能化管理的浪潮中，数字孪生（Digital Twin）技术正成为提升道路运维效率的核心利器。然而，构建高精度的虚拟道路模型面临严峻挑战：传统人工建模方式耗时费力，难以应对道路环境的持续变化；而基于现实采集数据的自动化建模流程（Scan-to-Twin）又受限于标注成本高昂、几何参数监督数据匮乏等瓶颈。尤其对于道路场景的语义分割和车道线提取等任务，现有方法往往依赖传统算法，泛化能力不足。在这一背景下，研究者开始探索利用合成数据突破数据壁垒的可能，但现有合成方法往往难以兼顾视觉真实性与扫描物理特性，更缺乏对完整Scan-to-Twin流程的端到端支持。
为解决上述问题，亚琛工业大学团队在《ADVANCED ENGINEERING INFORMATICS》上发表了SynthRoads框架。该研究通过模块化道路场景生成器、Unreal Engine 5扫描模拟插件和几何参数耦合机制，实现了从参数化建模到多模态数据生成的完整 pipeline。关键技术包括：基于德国高速公路设计规范（RAA）的参数约束采样、Houdini程序化道路建模、支持Lambertian与Oren-Nayar反射模型的虚拟激光扫描（含光束发散与多回波模拟），以及面向点云语义分割（PointNeXt）与中心线回归的深度学习实验设计。实验数据包含真实采集的A1/A45/A544/A61高速公路点云（Riegl miniVUX 3无人机扫描与VZ600i地面扫描）与20组合成场景。
研究结果验证了SynthRoads的多维度价值：
1.语义分割增强实验表明，混合合成数据训练将植被IoU提升至82.95%，对稀缺类别（如防护栏）的检测稳定性显著提升；
2.在17类细分场景中，合成数据注入使盾构架（Shield Gantry）这类罕见目标的IoU从0%提升至45.42%，证明了其对类别不平衡问题的缓解能力；
3.中心线回归任务中，序列模型（LSTM+可变形核点注意力）在混合数据训练下将平均绝对误差（MAE）降至0.211米，优于传统骨架化方法（1.44米 MAE）；
4.跨传感器泛化测试中，模型从无人机激光扫描数据向地面扫描数据（A61）迁移时仍保持0.656米 Chamfer距离的精度，凸显合成数据对域适配的促进作用。
结论部分强调，SynthRoads首次实现了Scan-to-Twin全链条的合成数据支撑，其参数化生成范式为不确定性量化、模型校准等深度应用奠定基础。未来将通过扩展扫描平台（如隧道场景）与端到端模型预测功能，进一步强化数字孪生在实际运维中的决策支持能力。该框架已开源虚拟扫描插件与合成数据集，为领域研究提供基准工具。
