用于自动驾驶应用的智能路边基础设施传感器质量评估框架
本文介绍了在德国阿沙芬堡一个公共城市交叉口设立的智能研究基础设施，它配备了可视传感器技术和数字孪生，在数据生成、评估新的高度自动化驾驶传感器系统、算法和使用真实、合成和增强数据的人工智能培训策略的研究中发挥着关键作用。
Jul, 2023
该研究提出了一种综合评估方法，旨在评估道路边缘感知系统的性能，通过采用实际场景测试，对不同系统的性能进行了深入比较分析，为标准化评估方法的发展提供了关键见解，并增强了自动驾驶车辆的道路感知系统开发和部署的效果。
Jan, 2024
本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。
Jun, 2023
本文介绍了一种新的基础设施传感器的多模 3D 物体检测器 InfraDet3D，有效结合了两个 LiDAR 和单目相机数据，通过早期融合方法提高检测效果，并将 HD 地图应用于单目 3D 检测模块，以提升其最终的感知结果；该系统在德国慕尼黑的 A9 测试区域进行了实际部署和评估，得到了 68.48 的 mAP 测试结果，同时数据集和代码也提供给研究社区进行进一步的研究。
Apr, 2023
本文介绍了一种适用于智能运输系统的边缘分析架构，其中数据在车辆或路边的智能传感器水平上处理，以克服联网通信延迟和数据可靠性问题，并提出了针对异构数据、自主控制、车队控制和网络安全等挑战的不同深度学习解决方案，能够为 ITS 提供可靠、安全和真正的智能交通环境。
Dec, 2017
本文提出和评估了一个利用层次分析多准则决策过程预测数据源在空间、时间、质量特征上的信息价值框架，研究结果表明，传播场景、传感器分辨率、观测类型和通信距离对信息价值评估性能有不同的影响，并且价值随目标应用程序的特征以不同的速率发展。
May, 2019
该研究综合分析了从车辆、道路和车路协同的视角，多端相机 - LiDAR 配置的校准，概述了相关应用和深远意义，并提出了放眼未来的想法和假设。
May, 2024
我们的研究引入了基于并行空间变换的框架用于大规模、多视角、多传感器场景，实现了路边场景的空间同步，减小了累积误差，并通过深度学习、地理定位线索和优化算法提高了同步精度。此框架在真实场景中进行了测试，在大规模路边多视角、多传感器空间同步方面表现优于现有方法，降低了部署成本。
Nov, 2023
通过调查瑞典的路面安全问题、实现数据处理管道数据提交、检测道路危险物体的目标和传感器、解决算法设计方面的问题，本文旨在实现可扩展的便于安全路面基础设施和瑞典的零视觉计划的路侧物体检测系统。
Apr, 2022