智能驾驶与智慧交通前沿技术研究中心

当前交通学科正面临信息与通信技术的巨大冲击，挑战重重，亟需变革与创新：1）智能驾驶的出现与普及意味着在不久的未来机器将逐步取代人成为交通的主体，从而对交通基础设施、交通管控理论及管控体系提出了全新的挑战。特别是，未来相当长的一段时间内，智能驾驶与人工驾驶混合车流将成为交通管控的主体，而我们对于混合流的特性知之甚少；2）移动通信的普及使得交通信息可以即时触达到城市各个角落，结合驾驶员对交通信息的反应，使得交通管控从原来的以红绿灯为主的“开环”控制变为“闭环”（即驾驶员可以对交通事件即时反应并改变行车策略）。这一转变加强了路网中各个路段交通流的耦合深度与广度，使得单个路段的交通事故可以以类似于“蝴蝶效应”的机制快速扩散造成全城拥堵。实时交通信息的普及及广泛使用对传统交通理论及控制体系提出了挑战；3）信息网络与路网、人类社交及活动网络、经济活动等深度耦合构成典型的复杂巨系统(Complex Networks)，使得对于交通事件的理解更具挑战性，譬如交通拥堵的成因及扩散、弹性交通的构建等等。基础理论的缺失使得我们在面对城市日益严重的交通拥堵、自然灾害或突发事件时显得无能为力；4）以大语言模型为代表的人工智能技术在交通中的深入应用可能带来新的机遇让我们能够深入理解并精准预测天气、社会经济活动、路网结构、驾驶员行为特征、突发事件等复杂因素对交通的影响。综上所述，信息与通信技术已深度渗透到社会和人民生活的各个方面，对从微观的驾驶行为到宏观的交通管理都产生了颠覆性的影响，同时为深入理解交通提供了新的方法和手段，交通学科亟需拥抱信息与通信技术带来的变革，与时俱进。

东南大学智能网联交通前沿技术研究中心面向包括6G在内的移动通讯系统、物联网、低空经济、智能驾驶与智慧交通、人工智能等新兴产业与学科的挑战与机遇，致力开展通信、信息技术、人工智能、自动控制与交通运输等领域的跨学科前沿技术研究。

研究方向：

（1）新一代信息与通信技术和交通的跨学科融合应用：

针对前述信息与通信技术的广泛应用给交通带来的新挑战，我们将运用跨学科的研究方法，譬如复杂网络、多时空尺度分解，时空建模及分析等方法对其进行深入分析，在此基础上，对传统的交通管控方法与体系进行变革并运用于工程实践。另一方面，我们也认识到交通的应用场景复杂多变，对于通信技术的要求不是简单的高速率、低时延，实际上，即使针对自动驾驶，要求高速率、低时延的场景也并不多。基于对交通场景的深入理解和行业需求的调研，深入梳理交通中的信息与通信需求，为在6G等未来通信系统中充分结合并满足交通场景中的通信需求提供指导。研究成果将推动智能网联汽车、智慧道路基础设施与交通管理系统的有机协同，并指导未来通信系统中针对交通场景的通信技术的发展，为提升城市交通效率、保障出行安全、降低碳排放提供理论支撑与技术解决方案。

（2）多源融合感知与交通大数据分析：

在复杂交通场景中，单一传感器难以满足智能车辆以及交通管控对精准、可靠环境感知与定位的需求；更进一步，基于单一来源，譬如车载、路侧，的感知信息在实际应用也日益暴露出其局限。聚焦多源融合感知与交通大数据分析技术在智慧交通与智能驾驶领域的创新应用，提出基于"云-边-端"协同架构的异构感知数据融合与智能决策体系。构建通信资源受限环境下（如车路协同中车载和路侧通信、协同场景），车载、路侧雷达点云、计算机视觉（可见光/红外图像）、声学传感等多模态数据融合框架，通过时空对齐算法与自适应特征提取技术，突破异构传感器在分辨率、采样率及数据格式等方面的融合瓶颈。在计算架构层面，构建"端侧实时感知-边缘动态优化-云端深度挖掘"的三级协同机制：终端设备部署轻量化神经网络实现毫秒级目标检测与跟踪；边缘节点采用联邦学习技术实现多节点感知模型协同进化；云端构建交通态势数字孪生平台，融合历史数据与实时流数据，利用人工智能方法实现交通流量预测与异常事件溯源。

（3）前沿人工智能在智能驾驶、智慧交通中的应用：

聚焦前沿人工智能技术在智能驾驶与智慧交通系统中的创新应用，重点突破复杂环境下的智能驾驶自主决策与智慧交通系统级优化难题。基于高性能计算架构构建分布式AI推理框架，通过模型轻量化与异构计算加速技术，实现车载边缘设备与云端算力的动态协同，满足自动驾驶毫秒级实时决策需求。引入生成式人工智能技术，开发交通场景多模态生成引擎，利用扩散模型与强化学习的融合架构，实现极端工况模拟、驾驶策略进化及交通流预测，突破传统数据驱动的模型泛化瓶颈。构建宏微观一体化的数字孪生交通仿真系统，通过多智能体深度强化学习算法，建立从微观车辆动力学到宏观路网级交通流的跨尺度映射模型，为交通管控策略优化提供可解释的决策支持。形成"场景生成-策略训练-仿真验证"的闭环进化体系，为智能驾驶算法的安全验证和城市级交通系统的韧性提升提供全新方法论。

（4）面向智能网联的交通-能源耦合系统协同优化：

针对现有研究在系统动态特性表征、跨域信息融合与可信协同调控方面的不足，构建"机理建模-动态感知-协同优化"的研究框架。通过数字孪生技术建立交通流-能源流耦合动力学模型，开发基于边缘计算与云平台的混合仿真架构，揭示多时空尺度下系统交互机理；设计车路云协同感知网络架构，运用联邦学习与区块链技术实现电力负荷、交通状态等多源异构数据的可信融合，构建物理信息神经网络驱动的跨域状态预测模型；创新提出多智能体强化学习与分布式优化算法，在保障隐私安全的前提下实现充电设施动态调度、路网能流分配与可再生能源消纳的协同优化，最终形成智能网联赋能的交通-能源系统动态协同优化方法体系。

中心成员：

主任：

毛国强

核心成员：

浦自源

董智捷

马捷

李国鹏