面向动态交通场景理解的多模态鲁棒学习综述
李浥东
臧钊
章子凯
张旭
荣啸
李子毅
北京交通大学交通大数据与人工智能教育部重点实验室,北京 100044;北京交通大学计算机科学与技术学院,北京 100044
摘要：动态交通场景因目标动态交互、环境剧烈变化及多传感器异构数据等复杂要素,对智能系统的感知鲁棒性与决策可靠性提出极高要求.多模态学习通过融合视觉、射频、声学等异构数据可实现信息互补,成为突破动态场景理解瓶颈的核心技术.本文针对面向动态交通场景的多模态鲁棒学习技术进行系统研究.首先,界定多模态动态交通场景的定义与内涵,分析光学、射频、声学等多源数据的类型及动态性特征;其次,阐述多模态学习基础,重点剖析数据层面、模型架构及训练策略的鲁棒增强关键技术;最后,深入探讨当前多模态学习面临的核心挑战及未来研究方向.研究结果表明:目前动态交通场景的多模态鲁棒学习仍存在数据缺陷、模型局限及评估基准缺失等关键问题有待解决,并且未来可能沿着技术创新、技术融合与产业协同等方面进行发展.本文旨在为动态交通场景下多模态鲁棒学习的理论研究与工程实践提供系统性参考,推动智能交通系统从"有限场景可用"向"全工况可靠"演进,为智能交通技术大规模实践应用提供关键技术支撑.
关键词：交通信息工程动态交通场景多模态数据多模态学习鲁棒学习
分类号：TP391.3(计算技术、计算机技术)
论文发表日期：2025-10-30
在线出版日期：2025-11-06（本平台首次上网日期，不代表文献的发表时间）
页数：14( 52-65 )
英文信息