《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Roadside LiDAR placement optimization in curved tunnels: A framework integrating probabilistic grids and neural radiance models
编辑推荐：
本文提出了一种计算机辅助框架用于优化曲线隧道中协同式路侧激光雷达（RSL）的部署，解决了隧道几何形状静态遮挡和交通流动态遮挡两大难题。通过三维概率网格建模场景，神经辐射场模型计算感知性能代理指标，结合贪心搜索与遗传算法进行混合优化，仿真验证表明该方法能有效提升感知性能并控制部署成本。研究发现隧道曲率和交通参数对部署方案影响显著，需进行场景化配置。
作者：马洋、张宇柔、郑宇冰、王书仪、郑元、冯仲祥、Said M. Easa
合肥工业大学汽车与交通工程学院，中国合肥 230009
摘要
在开放道路环境中，合作式路边激光雷达（RSL）系统的部署已经得到了广泛研究。然而，在弯曲隧道中的最佳部署位置仍然是一个未解决的挑战。本文提出了一个计算机辅助框架，用于优化弯曲隧道中RSL的部署，解决了两个关键问题：隧道几何形状引起的静态遮挡和交通流引起的动态遮挡。首先，我们引入了三维概率网格来表示隧道场景，以模拟静态和动态遮挡效应。其次，我们提出了一种神经辐射模型，用于高效计算评估基于RSL的合作感知性能的替代指标。第三，我们采用了一种结合贪婪搜索和遗传算法的混合优化方法来解决最小传感器数量和固定传感器数量部署问题。通过在多种隧道场景中的虚实融合模拟，我们证明了所提出的方法可以在预算成本内提高感知性能。测试结果表明，隧道曲率和交通参数对最佳RSL部署位置有重要影响，这强调了针对特定场景进行配置的必要性。本研究为弯曲隧道中RSL的部署提供了第一个系统化的解决方案，为智能交通基础设施规划提供了实用见解。
引言
近年来，智能连接车辆（ICV）的比例一直在增加。ICV利用车载传感器来感知周围环境，并与其他ICV和智能基础设施共享信息，从而提高驾驶安全性和效率（Ma等人，2025年；Tang等人，2025年；Yu和Yu，2022年）。然而，车载传感器的有限视野（FOV）以及交通参与者或路边障碍物引起的遮挡限制了ICV的感知能力。特别是在隧道和弯道等关键路段，ICV的感知能力不足以确保安全（Gilroy等人，2019年；Vijay等人，2021年；Wang等人，2022年，2025a年）。根据2020年交通行业统计公报，中国已经建造了世界上最多的公路隧道（Zhang等人，2024a年）。虽然隧道的事故发生率相对较低，但隧道内的事故通常会导致更严重的后果（Ma等人，2009年）。值得注意的是，弯曲隧道路段的风险更高，大约25-30%的致命事故发生在弯道处（Ren等人，2011年）。因此，在车辆-道路协作框架中，在弯曲隧道中部署路边激光雷达（RSL）系统可以弥补车辆传感器的盲点，实现无缝的3D交通监控，从而提高驾驶安全性（Zhang和Huang，2024年；Zhang等人，2024年）。路边激光雷达也是提高隧道韧性的关键因素之一。激光雷达能够提供可靠的全天候3D感知，确保持续的情境意识，从而立即检测到干扰。这一能力对于触发快速响应、防止次生事故以及确保交通流的迅速恢复至关重要，从而增强隧道系统的整体鲁棒性和恢复能力（Chen等人，2023年；Gan等人，2025年）。
得益于宽带无线通信的进步，多个RSL可以通过融合来自不同视角的数据来进行协作（Narri等人，2025年；Wang等人，2024年；Wang等人，2025a年；Wang等人，2025b年）。因此，交通感知的准确性可以显著提高。尽管理论上更多的RSL意味着更高的感知准确性，但在实际应用中RSL的数量是有限的。一方面，RSL的采购和部署需要大量成本；另一方面，随着传感器数量的增加，数据吞吐量显著上升，计算资源需求也随之增加。在这种情况下，研究界认识到在受限预算内优化RSL部署位置的重要性（He等人，2024年）。
然而，现有的研究主要集中在开放交通场景（如高速公路和交叉路口），对封闭的隧道环境关注不足（Du等人，2022年；Ma等人，2023年）。由于隧道的空间限制，如图1所示，RSL的视野（FOV）和允许的高度可能会受到严重限制。在弯曲隧道中部署RSL更具挑战性，原因有二：首先，RSL的感知可能受到隧道曲率的影响，需要在部署时考虑由曲率引起的盲区；弯曲隧道的复杂对齐进一步增加了RSL优化的难度，需要根据特定隧道几何形状选择位置以确保监控效果（Lin等人，2025b年）。其次，动态遮挡可能随交通参数变化而变化，因此交通条件也可能影响RSL的监控性能。如何将不同交通条件引起的动态遮挡纳入RSL部署优化中仍然是一个未解决的问题。这两个挑战使得专注于开放交通场景的现有方法难以有效解决弯曲隧道中的RSL部署优化问题。
为了填补这一空白，本研究的主要目标是提出一个优化弯曲隧道中RSL部署的框架。具体来说，本研究的主要贡献有三个方面：
- a)
开发了一个全面的工作流程，用于优化隧道中合作式RSL的部署。
- b)
提出使用基于神经网络的指标作为评估RSL感知性能的代理，同时考虑静态和动态遮挡。
- c)
研究交通和几何参数对优化后的RSL计划的影响。
相关研究
关于传感器部署优化的现有研究可以根据规模分为两类：宏观研究和微观研究。宏观研究侧重于优化传感器位置，以更准确地监控和推断网络范围内的交通流量信息（Danczyk等人，2016年；Fu等人，2019年；Shao等人，2021年）。相反，微观研究则关注在小范围内优化RSL的部署，旨在
概述
所提出的框架包括三个连续阶段，如图2所示。首先，开发了一个程序来创建3D隧道场景，通过微观交通模拟对交通流量进行建模。在此阶段，使用3D概率网格（PG）来表示后续步骤的交通场景。其次，基于PG作为交通场景的表示，对参数化RSL传感器的感知能力进行建模。具体来说，使用神经辐射模型（NRM）
NRM测试
第3.2节描述的方法被应用于创建不同的隧道场景。此外，在每个场景中随机放置了虚拟RSL，并使用第3.3节描述的方法创建了用于训练NRM的标记数据。尽管一个RSL可能会发射数十万条光线，但在此过程中我们仅为每个RSL随机采样了几百条光线。最终，我们总共采样并标记了1,379,811条光线。数据集进一步分为三个子数据集：
结论性评论
本文解决了在弯曲隧道中优化RSL部署位置缺乏有效方法的问题。据我们所知，这是首次尝试在隧道中部署合作式RSL的研究。基于本研究，提出以下评论：
- (a)
本研究开发了一个全面的框架，包括隧道场景创建、替代指标的计算和优化。当框架得到适当开发时，可以帮助道路管理者
CRediT作者贡献声明
马洋：撰写——审阅与编辑、撰写——初稿、可视化、软件开发、资金获取、正式分析、数据管理、概念化。张宇柔：撰写——初稿、验证、软件开发、方法论、正式分析。郑宇冰：撰写——审阅与编辑、方法论、正式分析、概念化。王书仪：撰写——审阅与编辑、可视化、软件开发、数据管理、概念化。郑元：撰写——审阅与编辑、软件开发
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：马洋报告称获得了中国国家自然科学基金会的财务支持。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了中国国家自然科学基金会 [52402402]、安徽省自然科学基金会 [2308085QE188, 2508085QE155]、安徽省重点研发项目[202304a05020050]、中央高校基本科研业务费 [JZ2025HGTB0215]以及加拿大自然科学与工程研究委员会 [Ryerson--2020-04667]的联合支持。
