智能交通防御体系及自动驾驶三大演进趋势 | ITS国际前沿动态资讯

2025年7月成立的中国交通信息化·学术与技术委员会，汇聚行业内外专家、学者和从业者，立足交通全视野，以学术引领与技术创新为宗旨，交流探讨适用于交通各业务场景的新一代信息技术的演进与发展、研发与应用、落地与推广，努力为行业发展搭建起产学研用深度融合的高端智库平台。

为更好服务行业从业者，委员会定期编译并提供国际智能交通前沿动态，通过「中国交通信息化」微信公众号，及时传递全球交通信息化领域的最新研究成果、技术突破与应用实践等资讯，敬请关注！

一、智能交通系统安全防御体系化转型的演进范式

（一）多国学者联合提出TrustChain-VANETs框架

面向智能交通系统中车载自组织网络（VANETs）面临的信任缺失、隐私泄露及数据不可靠等痛点，多国学者联合提出TrustChain-VANETs框架。

该系统深度融合区块链与星际文件系统（IPFS），为VANETs构建了安全高效的通信底座。其核心优势在于采用优化的PoW-PBFT共识机制，吞吐量达2180 TPS，且显著降低了区块生成与验证能耗，完美适配车载终端的资源约束。实验数据表明，该框架将恶意车辆检测率提升了15%，交易与存储开销分别降低了20%和30%，消息验证提速25%；即便车辆在40～160km/h的高速行驶状态下，信誉更新延迟波动也仅为12.5%。

该框架成功平衡了通信隐私保护与恶意行为溯源，全面强化了ITS的动态安全与运行效率。未来，系统将进一步整合动态分片、零知识证明及AI驱动的异常检测技术，以期在大规模VANETs环境中实现更优的可扩展性与主动防御能力。

（供稿：吉林省高速公路集团有限公司副总经理、首席数智官 孙会）

（二）中国科学院大学研究团队提出一种基于BEV世界模型的端到端自动驾驶框架WoTE

中国科学院大学及合作研究团队在《IEEE/CVF International Conference on Computer Vision（ICCV）》上提出一种基于BEV世界模型的端到端自动驾驶框架WoTE，旨在为智能交通系统提供高可靠的在线轨迹评估方案，应对复杂交通环境下自动驾驶规划安全性的核心挑战。该方法创新性地引入轻量化BEV世界模型替代高延迟的图像级架构，通过精准预判未来环境状态，实现了感知、预测与规划在全微分框架下的深度集成。框架核心利用BEV空间的特征一致性与模拟器监督机制，在确保毫秒级推理响应的同时，显著提升了决策系统对潜在碰撞风险的规避能力。

该框架的设计强调了ITS环境下环境动态捕捉与轨迹安全性验证的双重优化。在NAVSIM及Bench2Drive等权威基准测试中，WoTE通过对未来交通态势的深度推演，展现出优于传统端到端模型的避障鲁棒性与行驶平稳度。实验结果表明，该系统能够稳定输出高质量的环境感知与路径规划数据，有效缓解智能交通中“感知-决策”脱节的瓶颈问题，为推动高阶车路协同、智慧路口精细化管理等在ITS关键领域应用落地提供了重要的技术支撑与工程示范价值。

（供稿：长安大学电子与控制工程学院副院长 惠飞）

二、自动驾驶从功能实现向体验升级与全时域可靠深度转型的演进范式

（一）清华大学团队提出一种自动驾驶舒适度预测框架

清华大学团队在《Nature Communications》上发表题为“Predicting driving comfort in autonomous vehicles using road information and multi-head attention models”的研究，提出一种将道路宏观信息与全球路径规划深度融合的自动驾驶舒适度预测框架，旨在为智能交通系统提供兼顾行驶效率与乘坐体验的导航决策方案。该研究创新性地构建了道路信息驱动的舒适度数据集，并设计了基于多头注意力机制的预测模型，实现了从宏观交通态势到微观驾驶感知的跨尺度建模，有效解决了传统规划中舒适度优化仅局限于局部路径生成的局限性。

该框架的设计核心强调了ITS架构下环境宏观特征-车辆动力学反馈的关联机制。通过深度解析交通流量、路况复杂程度等全球路径参数对紧急制动及车辆震动的影响，该模型能够在路径规划阶段预判潜在的舒适度风险。实验验证与测试结果表明，按照该模型优化后的路径方案，车辆行驶过程中的震动频率显著降低，有效提升了自动驾驶系统的乘员感知质量。这一研究成果不仅为高阶自动驾驶导航系统的平顺性优化提供了理论依据，也为智慧道路精细化评估、车路协同导流策略等在ITS关键领域的应用落地提供了重要的技术参考与数据支撑。

（供稿：北京交科公路勘察设计研究院有限公司信息化分院院长 刘见振）

（二）重庆大学团队为复杂环境下自动驾驶安全性提升提供重要理论支撑与工程范式

重庆大学团队针对ITS全天候运行瓶颈，系统综述了恶劣天气下的自动驾驶感知技术。感知稳定性是保障安全出行的基石，而雨雪雾等环境退化仍是制约全场景ITS落地的核心瓶颈。研究将检测方案归纳为三类：直接检测模型（强化特征稳健性）、分布式模型（预处理辅助增强）及端到端模型（感知与增强深度耦合）。通过深度权衡推理延迟与环境适应性，为智慧路口及V2X系统的算法选型提供了科学依据。

该研究进一步强调了感知鲁棒性对提升车路协同（V2X）效能与交通基础设施精细化管理的战略价值。通过对未来挑战与新兴机遇的深度推演，研究提出构建具备环境自适应能力的感知体系是推动ITS迈向全天候自动化管理的关键。这一综述不仅为恶劣天气下的视觉感知提供了清晰的技术路线图，也为提升自动驾驶导航系统在复杂动态环境下的安全性与舒适性提供了重要的理论参考与工程范式。

（供稿：长安大学电子与控制工程学院副院长 惠飞）

三、自动驾驶由自然驱动向风险驱动测试转型的趋势

（一）中南大学研究团队提出一种基于深度事故数据生成的安全关键场景构建框架

中南大学研究团队针对智能交通系统安全性验证中的关键挑战，提出一种基于深度事故数据生成的安全关键场景构建框架。研究旨在通过挖掘复杂交通环境下的未知危险工况，提升自动驾驶（AV）系统在极端场景下的感知与决策可靠性。

该框架的核心创新在于利用中国深入交通安全研究（CIMSS-TA）数据库，将事故场景解构为静态与动态变量元组，并引入TimeGAN精准捕捉交通要素的时空演变规律。相比传统生成模型，TimeGAN生成的场景在保留原始事故风险特征的同时，显著拓展了安全测试覆盖的广度。在针对百度Apollo系统的实测验证中，该方法生成的合成场景展现出比自然驾驶场景更高的评估效率，成功验证了AV系统在复杂动态博弈中的避险能力。

通过构建高保真、多样化的风险场景库，有效缓解了自动驾驶测试中真实事故数据匮乏的难题，为高阶车路协同系统的安全准入评估、交通安全隐患排查及智慧路口仿真测试提供了重要的工程参考与示范价值。

（供稿：北京交科公路勘察设计研究院有限公司信息化分院院长 刘见振）

（二）长安大学研究团队提出一种面向行人安全导向的自动驾驶关键测试场景生成框架

长安大学研究团队针对弱势交通参与者（VRU）的保护难题，提出一种面向行人安全导向的自动驾驶关键测试场景生成框架。该研究旨在解决当前测试场景对高风险行人交互关注不足的问题，为提升ITS环境下人机共驾的安全性提供科学评估方案。

该框架的核心在于微观交通数据的深度挖掘与风险重构。研究团队从中国4个城市、12个信号灯路口采集了真实的车辆与行人重叠轨迹，构建了大规模交互场景库。技术路径上，创新性地采用三级自动紧急制动（AEB）模型模拟AV决策过程，并引入人工势场法（APF）实现交互风险的实时量化评估。通过构建结合场景暴露频率与交互风险的重要性抽样函数，框架能够精准识别包含速度差、纵横向距离等关键变量的临界决策点。此外，为优化搜索效率，研究集成了群体优化与泛洪填充算法，成功生成了50个具有高价值、高动态特征的交互测试场景。

生成的测试场景库涵盖了多样化且高风险的行人交互动态，有效克服了传统自然驾驶场景评估效率低下的瓶颈，为高阶自动驾驶系统在智慧路口、复杂城区环境下的行人避撞能力验证及全息感知系统的鲁棒性提升提供了重要的工程范式与技术参考。

（供稿：长安大学电子与控制工程学院副院长 惠飞）