2025年IEEE智能运输系统学会（ITSS）最佳博士学位论文奖

《IEEE Intelligent Transportation Systems Magazine》：IEEE ITSS Best Dissertation Award for 2025 [Its Ph.D.s]

　　

摘要：本文提供学会相关信息，内容可能包括新闻、评论或技术简报，旨在为从业者与研究人员提供参考。编者按：如需提交申请以进行专题展示，请联系专栏编辑Ziran Wang，邮箱为[e-mail]。本期介绍了2025年IEEE智能运输系统学会（ITSS）最佳博士学位论文奖获奖者。该奖项于2025年11月19日在澳大利亚昆士兰州黄金海岸举办的2025年IEEE智能运输系统会议（ITSC）上公布。一等奖获得者为Walter Zimmer，其论文题目为“面向自动驾驶的路侧三维感知”；二等奖获得者为Xiaoyu Liu，其论文题目为“面向城市轨道交通网络的分布式与基于学习的模型预测控制”；三等奖获得者为Mattia Piccinini，其论文题目为“用于在线最短时间车辆轨迹规划与控制的人工驾驶员”。

该文发表于《IEEE Intelligent Transportation Systems Magazine》，本质上是一篇学会资讯与获奖论文专题介绍，而非单篇原创研究论文。文章围绕2025年IEEE智能运输系统学会（ITSS）最佳博士学位论文奖，对3篇获奖博士论文的研究主题、学术贡献、技术路径与应用意义进行了集中展示，反映了当前智能运输系统（ITS）领域在自动驾驶感知、轨道交通优化控制以及高性能车辆运动规划3个重要方向上的前沿进展。

从研究背景来看，智能运输系统的发展正面临多层次挑战。一方面，自动驾驶系统在真实道路环境中仍受限于车载传感器视距、遮挡、复杂交通参与者行为以及极端和长尾风险场景，导致环境感知的完备性、鲁棒性与安全性不足。另一方面，城市轨道交通网络在大规模运行中需要同时处理客流波动、时刻表协调、列车速度控制、编组与停车方案等离散—连续耦合问题，实时优化难度高，且必须严格满足安全和服务约束。与此同时，面向高动态场景的智能车辆轨迹规划与控制，尤其在接近附着极限的高速机动状态下，车辆动力学高度非线性，传统低复杂度模型难以兼顾精度、泛化性与在线实时性。正是在这些现实瓶颈的推动下，开展跨感知、控制与规划的研究具有重要必要性。

研究人员在本文中展示的3篇获奖博士论文，分别针对上述关键问题提出了系统性解决方案。Walter Zimmer的研究聚焦于面向协同式自动驾驶的可扩展路侧三维感知，核心贡献包括构建高质量数据集与工具链、发展多路侧基础设施与车载传感器协同感知框架，以及提出能够融合车联万物（V2X）协同感知数据流的系统，用于提升复杂交通环境中的安全性、鲁棒性与不确定性表征能力。Xiaoyu Liu的研究聚焦于城市轨道交通网络的模型预测控制（MPC），提出双层模型预测控制、分布式模型预测控制以及基于学习的模型预测控制等方法，以提高大规模混合逻辑动态系统中的求解效率，实现面向乘客、兼顾运行效率的网络级与列车级控制。Mattia Piccinini的研究则面向自动驾驶赛车与高性能智能车辆，提出基于学习的车辆模型、物理机理引导神经网络以及在线最短时间轨迹规划与控制方法，旨在在动态环境中实现接近时间最优的高精度轨迹生成与执行。

从整体结论看，3篇获奖论文共同表明，ITS领域正在从单车智能、静态优化与局部模型驱动，转向基础设施—车辆协同、学习与控制融合、以及更强实时性和泛化能力的系统级智能。相关成果对于提升道路交通安全、轨道交通运行效率、智能车辆高性能控制能力以及未来交通系统的协同自治水平具有重要意义。文章通过对获奖者问答、研究概述及代表性成果的汇编，呈现了当前ITS青年学者在基础理论、算法创新与工程落地方面的代表性进展。

就主要技术方法而言，本文涉及的关键技术路径主要包括：1）面向自动驾驶的路侧三维感知、多传感器融合与车联万物（V2X）协同感知，并依托Technical University of Munich Traffic Dataset系列、3D BAT及TUMTraf V2X等数据资源开展研究；2）面向城市轨道交通网络的双层模型预测控制（MPC）、分布式模型预测控制、情景驱动协调策略、松弛动态规划以及深度学习辅助整数决策；3）面向高性能车辆的基于学习的车辆动力学建模、物理引导神经网络、在线最短时间轨迹规划、控制与状态估计，并通过仿真和缩比车辆实证进行验证。

Roadside 3D Perception for Autonomous Driving
该部分围绕Walter Zimmer的博士论文展开。研究人员指出，自动驾驶在复杂交通环境中的核心难题之一在于车载感知存在视线遮挡与远距感知受限问题，因此有必要借助路侧基础设施扩展环境感知边界。该研究通过构建可扩展的路侧三维感知体系，联合使用多个路侧传感器与车载传感器，提高了复杂交通场景下危险目标的提前检测能力。研究人员还开发了高质量数据集与标注工具，包括Technical University of Munich Traffic Dataset系列和3D BAT，为大规模、可复现研究提供支撑。进一步地，研究提出了CoopDet3D等协同感知系统，可融合V2X协同感知数据流，并在场景、传感器类型和驾驶条件变化下保持较强泛化能力。根据文中概述，该研究的主要结论是：路侧基础设施与车端感知协同可显著增强自动驾驶系统对视线外风险和复杂场景的感知能力，从而为更安全、更可靠的智能交通运行提供基础。

Distributed and Learning-Based Model Predictive Control for Urban Rail Transit Networks
该部分聚焦Xiaoyu Liu的博士论文。研究人员将城市轨道交通网络刻画为典型的混合逻辑动态系统，即同时包含列车排序、编组、停车模式等离散决策，以及列车速度、时刻表、能耗等连续动态，因此传统实时控制面临显著计算复杂度挑战。针对这一问题，研究提出多类创新型模型预测控制框架。首先，双层模型用于集成客流、时刻表与列车速度剖面，推动网络级协同优化。其次，提出基于情景的分布式模型预测控制方法，通过子系统划分和缩短时域协调机制降低在线计算时间。再次，为降低在线整数优化负担，研究引入基于学习的模型预测控制，利用深度学习先行确定整数决策，使在线阶段仅需求解快速线性规划问题。最后，提出基于松弛动态规划的分布式停车判据，以保证列车编队协同分布式模型预测控制中的串稳定性。该研究得出的核心结论是：通过将控制理论、分布式优化与学习方法相结合，可在满足安全约束和服务要求的前提下，提高城市轨道交通网络控制的灵活性、效率与乘客导向性。

Artificial Drivers for Online Time-Optimal Vehicle Trajectory Planning and Control
该部分介绍Mattia Piccinini的博士论文。研究人员以自动驾驶赛车作为高性能智能车辆研究试验平台，关注紧急场景与动态障碍物存在时、接近附着极限状态下的实时最短时间机动问题。研究指出，在这一工况下，车辆动力学高度非线性，传统简化模型难以同时保证准确性与实时重规划能力。为解决这一问题，论文提出三方面贡献。其一，建立基于学习的车辆模型，以平衡在线最短时间轨迹规划中的精度与计算效率。其二，开发物理机理引导神经网络架构，用于轨迹规划、控制与状态估计，以提升模型泛化能力和数据效率。其三，验证所提方法能够在动态环境中在线执行最短时间轨迹，并取得与高保真离线最短圈速解相当的圈速表现。相关方法通过仿真与缩比车辆实证得到验证。该研究的主要结论是：融合物理约束与学习建模的在线规划控制框架，有望支撑高动态、不确定环境下更安全且更高性能的智能车辆运行。

讨论总结
从综合讨论角度看，本文汇集的3篇博士论文覆盖了ITS的感知、控制和轨迹规划三大核心层面，并体现出若干共同趋势。首先，真实世界复杂性成为方法设计的主要驱动力，无论是道路交通中的遮挡与长尾风险、轨道交通中的混合离散—连续耦合，还是高速车辆运动中的强非线性动力学，研究均致力于突破传统单一模型和单一系统架构的局限。其次，数据、学习与机理模型的融合成为重要方法论特征：Walter Zimmer强调高质量数据集和协同感知系统，Xiaoyu Liu强调深度学习与模型预测控制的协同，Mattia Piccinini则强调物理引导神经网络在规划控制中的作用。再次，这些研究都具有鲜明的工程可落地性，分别对应路侧基础设施部署、城市轨道交通网络调度与高性能车辆实验验证。总体而言，文章呈现的研究成果说明，未来ITS的发展将更加依赖多主体协同、分层优化、数据驱动与机理约束融合的智能系统框架。

研究结论部分翻译
本文介绍了2025年IEEE智能运输系统学会（ITSS）最佳博士学位论文奖获奖者及其代表性研究方向。一等奖论文聚焦面向自动驾驶的路侧三维感知，通过多源感知协同、数据集构建与V2X感知融合推动更安全可靠的自动驾驶；二等奖论文聚焦面向城市轨道交通网络的分布式与基于学习的模型预测控制，通过双层、分布式及学习增强控制框架提升大规模轨道交通系统的效率与乘客导向性；三等奖论文聚焦用于在线最短时间车辆轨迹规划与控制的人工驾驶员，通过学习型车辆模型与物理引导神经网络提升动态环境下高性能智能车辆的实时规划与控制能力。这些成果共同体现了ITS领域在协同感知、智能控制与高性能自动驾驶方面的持续进展。