考虑路面病害条件的通用自动驾驶原型系统设计.pdf

第41卷第8 期2023年8 月文章编号：10 0 9-7 7 6 7(2 0 2 3)0 8-0 0 45-0 9市放技术Journal of Municipal TechnologyVol.41,No.8Aug.2023D0I:10.19922/j.1009-7767.2023.08.045考虑路面病害条件的通用自动驾驶原型系统设计张瑾1,马庆朋,王赫3,陈艳艳4,曾琪婷5*,张慧婷4,陈宁4,张翔6(1.山东省工程咨询院，山东济南2 50 0 13；2.山东高速集团有限公司，山东济南2 50 0 98；3.山东省交通规划设计院集团有限公司，山东济南2 50 0 31；4.北京工业大学城市建设学部，北京10 0 12 4；5.福建农林大学交通与土木工程学院,福建福州350 0 0 2;6.交通运输部城市公共交通智能化交通运输行业重点实验室，北京10 0 12 4)摘要：高速公路路面开裂、坑槽等病害会严重影响行车舒适性和安全性，现有研究虽在路面病害的自动化检测方面已经取得了丰硕的成果，但却未将其应用在自动驾驶领域，而仍仅考虑理想道路条件，存在一定的安全隐患。鉴于此，设计了一种考虑路面病害条件的通用自动驾驶原型系统（PaveNet-AVS)以丰富自动驾驶的应用。该系统旨在完成3项主要任务：1)通用自动驾驶原型系统的软硬件框架设计；2)路面状况自动检测算法设计；3)基于路面条件的自动驾驶调整策略设计。在该原型系统中，对原有Neo硬件框架的散热系统和Openpilot软件框架的传输系统进行了部分改进，一定程度上提升了系统性能。同时，该原型系统考虑了路面病害条件的影响并设计了针对性的调整策略，在一定程度上增强了自动驾驶的应用条件和范围。关键词：通用自动驾驶原型系统；路面病害检测；驾驶策略；智能检测中图分类号：U418.6Design of the Universal Autonomous Driving Prototype System Under theZhang Jin,Ma Qingpeng,Wang He,Chen Yanyan,Zeng Qiting,(1.Shandong Engineering Consulting Institute,Jinan 250013,China;2.Shandong Expressway Group Co.,Ltd.,Jinan 250098,China;3.Shandong Provincial Transportation Planning and Design Institute Group Co.,Ltd.,Jinan 250031,China;4.Urban Construction Department,Beijing University of Technology,Beijing 100124,China;5.College of Transportation and Civil Engineering,Fujian Agriculture and Forestry University,Fuzhou 350002,China;6.Intelligent Urban Public Transport of the Ministry of Transport Key Laboratory of Transportation Industry,Beijing 100124,China)Abstract:Cracking and pit troughs of highway pavement will seriously affect driving comfort and safety.Although theexisting research has achieved fruitful results in the automatic testing of road diseases,it has not been applied to thefield of autonomous driving and still considered the ideal road conditions.There are certain hidden dangers.In viewof this,a universal autonomous driving prototype system of(PaveNet-AVS)is designed to enrich the application ofautonomous driving under the pavement disease conditions.There are three main design tasks of the software andhardware framework of the general autonomous driving system,the pavement automatic detection algorithm and theautonomous driving adjustment strategies based on pavement conditions in the system.The cooling system of the o-收稿日期：2 0 2 3-0 4-0 4基金项目：山东省交通运输科技计划项目（2 0 2 1B49）；交通部交通运输行业重点科技项目（2 0 2 1-ZD2-047)作者简介：张瑾，女，工程师，硕士，主要研究方向为交通运输规划与管理。通讯作者：曾琪婷，女，在读硕士研究生，主要研究方向为交通运输规划与管理。引文格式：张瑾，马庆朋，王赫，等.考虑路面病害条件的通用自动驾驶原型系统设计J.市政技术，2 0 2 3，41（8）：45-53.（ZHANGJ,MAQP，WANG H,et al.Design of the universal autonomous driving prototype system under the pavement disease conditions JJ.Journal ofmunicipal technology,2023,41(8):45-53.)文献标志码：APavementDiseaseConditionsZhang Huiting*,Chen Ning*,Zhang Xiangs46riginal Neo hardware framework and the transmission system of the Openpilot software framework transmission sys-tem have been improved in the prototype system,which improves the system performance to a certain extent.Thepavement disease has been considered to design the adjusting strategies,which have enhanced the application con-ditions and scope of autonomous driving.Key words:PaveNet-AVS;pavement disease detection;driving strategy;intelligent detectionJournal of Municipal Technology第41卷高速公路路面开裂、坑槽等病害严重影响行车舒适性和安全性，尤其是对于自动驾驶车辆，不同的道路状况条件可能严重影响自动驾驶的控制策略，从而影响行车安全性。在当前的研究中，路面状况自动化检测和自动驾驶系统设计领域均取得了丰硕的成果。在自动驾驶系统设计方面，目前自动驾驶技术在交通信号灯、标志和道路交叉口等静态对象2,以及车辆、行人等动态对象都已经相对成熟3。尽管自动驾驶技术已经相对完善，但由于目前的算法假设路面是“完美的”，忽略了真实的路面状况，当路面存在影响行车的病害时，就会存在一定的安全隐患，因此需充分考虑路面状况，继续推进当前自动驾驶策略的发展4。在路面状况的自动检测方面，目前基于图像5和视频6 数据进行道路状态检测是研究的热点，多种深度学习方法被应用于其中。Zhang等7 提出了一种名为CrackNet的深度神经网络，通过对路面图像进行像素级分类,实现不同路面裂缝的检测;Cao 等8 提出了一种利用卷积神经网络(CNN)检测异物碎片的算法。然而，目前的研究普遍局限于检测的自动化，现场照片仍需人工获取，尚未将数据的自动获取与自动化相结合。鉴于此，笔者提出了一种基于路面病害条件的通用自动驾驶原型系统（PaveNet-AVS），设计流程见图1。该系统旨在完成3项主要任务：1)通用自动驾驶原型系统的软硬件框架设计，笔者整合了Neo硬件框架的子模块，简化了系统结构，并通过改进散热系统提高了系统的可靠性；2)路面状况自动检测算法设计，针对5种常见病害，设计了基于Yolov5的病害自动分类检测方法，可以实现路面状况的自动化检测；3)基于路面病害条件的自动驾驶调整策略设计，在考虑路面病害条件的基础上，设计了4种自动驾驶调整策略，可以实现针对路面状况的自动驾驶策略调整。PaveNet-AVS通用自动驾驶原型系统路面状况自动检测软硬件框架设计算法设计车辆基于Yolov5的病害自动分类检测方法Giraffe制作数据集Panda设置训练参数EON网络模型训练输出检测算法模型图1自动驾驶原型系统设计流程Fig.1 Design process for an autonomous driving prototype system1通用自动驾驶原型系统软硬件框架设计1.1硬件设计硬件部分研究基于Comma.ai公司的开源Neo套件框架。硬件系统主要由车辆、Giraffe、Pa n d a 和EON4部分组成9,见图2。为提高系统的鲁棒性和可靠性，笔者对该硬件框架进行了部分改装。一方面，将Giraffe和Panda进行硬件集成，实现信息从车辆CAN端口到控制EON端口的传输，减少了部分转接风险，增强了硬件框架的鲁棒性，见图3；另一方面,对控制器EON进行了散热系统的增强设计，通过2 个散热风扇的设计，提高了计算芯片的散热能力，增强了系统的可靠性，见图4。1.2软件设计软件部分研究基于Comma.ai公司的开源Open-pilot软件框架10。软件系统主要由Carlnterface、Ce r e a l、Boardd,Car、Lo g g e r d、Co n t r o l s d、Vi s i o n d 和 Radard 8 部分组成，见图5。Carlnterface主要负责与车辆的对接；基于路面病害条件的自动驾驶调整策略设计正常驾驶行为小幅降速行为大幅降速行为降速换道行为第8 期信息流车辆状态信息车辆CAN口张瑾等：考虑路面病害条件的通用自动驾驶原型系统设计控制流车辆控制信息车辆CAN口车辆47Panda车辆状态信息CAN口-OBD口车辆状态信息OBD口-USB口车辆控制信息OBD口-CAN口Giraffe车辆控制信息USB口-OBD口Panda硬件集成Giraffe图3组件集成示意图Fig.3 Schematic diagram of component integration车辆状态信息USB-TypeC口图2 硬件框架图Fig.2 Hardware architecture diagramBoardd实现车辆CAN信息与自定义数据协议的直接转换，具体的转换标准由Cereal规定；Controlsd是控制的核心组件,其接收来自Visiond和Radard处理后的数据,并应用PID控制方法实现对车辆的横、纵向控制;Loggerd负责整个车载网络内的数据收发；系统的通用性主要由Cereal实现,其承担不同Carlnterface实现与车辆连接Cereal数据转换协议56EON车辆控制信息TypeC口-USB口BoarddCAN信息转换为定义类型图4EON控制器散热设计图Fig.4 Thermal design diagram of EON controller车型信息采集与控制的协议转换。在Controlsd中，笔者增加了“路面条件调整模块”来接收控制参数，以实现自动驾驶策略的调整。Visiond视频检测信息（车道线）Radard毫米波雷达信息（测距）Car车辆信息Loggerd实现车辆局域网内部数据的订阅与发布全Controlsd接收信息，实现对车辆控制图5软件系统核心框架图Fig.5 Core architecture diagram of the software systemControlsd路面条件调整模块481.2.1车辆运行数据的获取该研究基于能够适应多种类型车辆的自动驾驶开源框架Openpilot，从车辆CAN端口直接采集车辆的运行数据,并经Cereal 组件的标准化转换,将不同类型车辆的DBC（车辆控制协议文档）数据转换为标准数据，且该系统中采用的软件系统目前可支持60种车型数据的采集，具有一定的车辆适配通用性。1.2.2车辆自动驾驶控制在Openpilot中,驾驶行为的决策主要使用GAN(生成对抗网络)生成，其可以根据输人的视频、油Journal of Municipal Technology第41卷门、刹车和转向等信号学习人类的驾驶行为，从而生成模拟的驾驶行为。下文“基于路面条件的自动驾驶调整策略设计”将以此为基础，在形成总体调整策略思路后，由该驾驶决策方法对车辆实现控制行驶。1.2.3车辆远程控制在路面条件恶劣的情况下，可采用云控方法进行车辆的远程控制。该穴余性的远控方法基于5G通信网络实现。车辆远程控制系统见图6。基于5G无线网络将控制信息传递至OBU车载终端，再通过车内局域网络，实现对车辆的远程操控。汽车终端连接服务器IP地址和绑定端口；从远处服务器接收控制命令；通过局域网专用端口发送控制命令。车内局域网5G网络监控NAT（网络地址转换）穿透；通过键盘发送控制命令；唯一的IP地址和端口绑定。图6 车辆远程控制系统示意图Fig.6 Schematic diagram of the vehicle remote control module像填充技术。Mosaic数据增强技术可以通过随机缩放、剪裁、旋转和拼接等方式，解决训练图片数量不2足路面状况自动检测算法设计2.1路路面病害自动检测方法自动检测路面病害的过程可以分为分类和定位2个阶段。在这个过程中，使用两阶段目标检测算法需分别在2 个阶段中完成任务，而单阶段目标检测算法则可以一步完成任务。其中,以Yolol1为代表的基于回归的单阶段目标检测算法可以同时完成目标的定位和目标类别的判断，实现了端到端的训练。因此，相比于两阶段目标检测算法，单阶段目标检测算法速度更快,尤其是像Yolov5这样的算法,达到了先进的速度和精度水平。Yolov5的网络结构分为输人端（Input）、主干网络（Backbone）、颈部网络(Neck)和输出端(Output)4个部分12。输人端包括Mosaic数据增强技术和自适应图足的问题。为了统一输人图像的大小，笔者将图像转换为固定的6 40 x640 x3像素,并采用116,9 0,156,198,373,326、30,6 1,6 2,45,59,119 和10,13,16,30,33,23这3个初始锚框。在训练过程中，网络输出预测框，并与地面真实框进行比较，计算二者之间的差距。然后，根据这些差距反向更新网络参数，迭代训练网络，并优化锚框值，以达到最佳预测效果。主干网络包括Focus结构和CSP结构。Focus结构用于切片操作。首先，通过切片操作将复制的4张照片切割成3x320 x320的切片；然后，通过级联连接将4个切片的深度输出转换成12 x320 x320个切片；接下来，通过32 个卷积层生成32 32 0 x320个输出；最后，该输出经过正常的批处理和LeakyRelu激活第8 期函数后,作为下一个卷积层的输入。采用CSPNET(跨阶段局部网络优化梯度信息重复问题。颈部网络包含一个SPP结构和一个PAN结构。SPP(SpatialPyramidPooling）结构可以在不同尺度上汇聚特征信息，从而提高检测精度。PAN（Pa thAggregation Network)结构可以将不同分辨率的特征图进行融合，从而提高特征的表达能力。输出端包括GIOU_LOSS损失函数和非极大值抑制(NMS）。在Yolov5中使用GIOU_LOSS作为损失函数,有效解决了边界框不重合的问题。在目标检测和预测结果的处理阶段，根据对多个目标框的筛选，采用加权NMS操作得到最优目标框。2.2数据集使用安装在车辆挡风玻璃上的智能手机采集图像，图像采集间隔与车辆速度关系表达式如式(1)所示：(1)V式中：c为采集间隔,s;v为速度,m/s;t为阈值,m,默认值为5。笔者共采集了10 50 6 幅JPEG图像，分辨率为600 x600像素13-14,涵盖了不同天气和光照条件，包括晴天、阴天、小雨和日落。对采集的图片使用Dark-Label工具进行标定，见图7。最终得到10 50 6 幅图像及其对应的标定数据。ADarkLabelimages100135.ipgXOpen Video.OpenImageFolder.122,48,110,530,pascalvocFomlIseparateGT Save As,OBoxOBox+LatelBox+LabelAutolDPopup LabeliseletOSIingleObfetFixed SaleDFixedAspecdRatioTracke2(acurate)Set BeginSetEndboxdraSaveAs Video.Senve Setings该研究分析的路面病害主要包括需要快速修补的坑槽和裂缝。这些路面病害会影响自动驾驶汽车的安全性和舒适性。笔者还使用了路面标线模糊度统计来评估正常使用状态下的路面标线状况。最张瑾等：考虑路面病害条件的通用自动驾驶原型系统设计训练集裂缝6422龟裂4959标线模糊3.784坑槽1794井盖2.842ta）龟裂d)坑槽图8 检测对象示例图Fig.8 The detection object2.3测试0在训练阶段，将所有的训练集图片裁剪成6 0 0 x43,328600像素。在测试阶段，为了方便对网络进行评估，GT Load.GT SoveRenumber1DInterpolateInterpolateEndNextPredctGTdearMedla Croplabeled frames onlyas mages.Ext49后,笔者标注了10 50 6 张图片,包含了表1所示的全部5类对象，并按照8:1:1的比例将原始数据集分为训练集、验证集和测试集，其中训练集8 40 6 张、验证集10 50 张、测试集10 50 张。检测对象示例图见图8。表1数据集分类Tab.1 Data set classification检测对象将测试集图片缩放到6 40 x640像素。训练和测试基于 Python 3.8.3和Windows 10下的Py Torch 1.6,所有试验均使用配备如下特性的计算机：Intel(R)44Core(TM)i7-12700H CPU,64 GB 内存,无 NVIDIAGPU。部分试验超参数见表2。表2 部分试验超参数Tab.2 Experimental hyperparameters图7 数据集的标定学习率超参数Fig.7 Calibration of the dataset(Learning rate)(Batch_size)(Weight rate decay)(Momentum)数值0.01经过40 0 次送代训练后，使用Yolov5的测试集结果见表3。由表3可以发现，测试结果合理，满足初步要求，总平均精度为0.6 49。验证集803620473224355b)标线模糊批量权重衰减系数320.000 5测试集803620473224355c裂缝e)井盖动量0.93750检测对象裂缝精度0.421为了更好地展示试验结果，在测试集中找到了一些图像对结果进行可视化，见图9。Yolov5对不同道路等级的路面病害检测效果良好，这是因为卷积神经网络算法不需要人工提取特征，增强了泛化能力。此外，Yolov5还可以检测不同亮度和天气条件下的路面病害。门团Fig.9 Visualization result diagram3综合框架：基于路面条件的自动驾驶调整策略设计3.1实际有效检测视距的确定该研究中驾驶策略的调整很大程度上取决于视频检测传感器对各种路面状况的检测判定，检测精度取决于视频检测传感器的有效检测视距，而视频检测传感器的有效检测视距受其布设位置的影响较大。视频检测传感器在巡检车上的布局及对应的视距见图10。由图10 a)可知，视频检测传感器的最大检测视距为Lv,视频检测传感器的视距线与地平线形成一个v的夹角，由于视频检测传感器的视距线与地平线相交，有效检测视距不能通过视频检测传感器的最Journal of Municipal Technology表3Yolov5的平均精度（AP）Tab.3AveragePrecision(AP)of Yolov5龟裂标线模糊坑槽0.6180.640图9 可视化结果图第41卷井盖LV0.6900.877La)视距线与地平线相交LLVb)视距线与地平线不相交图10 视频检测传感器布局及对应的视距示意图Fig.10 Video detection sensor layout and corresponding line-of-sight diagram大检测视距来进行计算，而必须通过视频检测传感器离地面的高度进行计算，计算公式如式(2)所示：La=hv/tan v。(2)由图10 b)可知,由于视频检测传感器的视距线与地平线不相交（视距线延长线与地平线相交），因此，有效检测视距可通过视频检测传感器的最大检测视距来进行计算，计算公式如式（3)所示：Ld=Lvcosvo综上所述，有效检测视距的计算依赖于视频检测传感器的布设高度与最大视距、视距线与水平线夹角之间的关系，因此，有效检测视距的计算公式整理如式(4)所示：hv/tanv,LvsinvhvLd=(Lvcos v,Lvsin Ovhv根据在公路视频监控设备的布设经验，实际有效检测视距一般取视频传感设备参数中最大检测视距的8 0%，假设La为实际最大检测视距，则实际有效检测视距为：La=0.8Ldo考虑车辆自身、环境因素对视距的遮挡，实际有效检测视距可取折减系数0.8,则实际有效检测视距为0.8 Ld3.2自动驾驶行为的变化在路面状况识别部分，可对坑槽、裂缝、标线模糊、龟裂和井盖5种病害类型进行检测。根据不同自动驾驶行为之间的差异，可将其分为4类：1)正常驾驶行为：当未检测到病害,或者检测到的病害为标线模糊和井盖2 种不会对行驶行为造成影响的类型时，车辆将按照正常情况行驶，即按照设定的速度和路径行驶，视频检测结果不会对行(3)(4)(5)第8 期驶行为产生影响。在这种情况下，无需向公路管理机构报告。2)小幅降速行为：当检测到裂缝时，自动检测车会通过小幅减速的方式对路面破损的现状进行更细致的检查。车辆行驶速度的小幅降低可提高普通相机拍摄路面检测图像的频率和质量。在这种情况下，需要记录破损路面的详细信息，并在后期上报公路管理机构。假设车辆通过视频检测传感器发现“修补裂缝”时的速度为Vo,设定的经小幅降速的设定值为VLI,路张瑾等：考虑路面病害条件的通用自动驾驶原型系统设计51车辆的行驶行为，尤其是在高速行驶时，可能导致车辆产生非预期内的横移和高程颠簸，甚至危及驾驶员人身安全。因此，当检测大坑槽病害时，车辆的行驶行为应为降速并换道通过，降速是为了更仔细地观察病害情况，换道是为了规避因坑槽所带来的行驶行为风险。降速换道行为示意图见图12。AVoBVbehavior段最低限速值为VL，降速段的距离为0.8 Ld，车辆从A点到B点完成降速行为。小幅降速行为示意图见图11，计算公式如式(6)所示：A图11小幅降速行为示意图Fig.11 Schematic diagram of slight deceleration behaviorV,=Vo+at,0.8La=Vot+12两式联立可得：a=5(i-v)8La即车辆减速段的平均行驶加速度=5(岁元）8L式中的v,=maxiVL,vl。3)大幅降速行为：路面裂缝病害会影响到车辆的行驶行为，但影响较小。当车辆通过裂缝路段时，一方面可以通过降速行为提高行驶安全性；另一方面，也可以通过更为剧烈的降速行为对路面裂缝病害进行更为细致的信息采集，这种行驶行为类似于小幅减速。路面裂缝类型下大幅降速行为的平均加速度公式与小幅降速行为的平均加速度公式相似，如式(8)所示,唯一区别在于v,值的选取,其选取方法为V,=maxiVi2,VL/,其中Vi2为大幅降速的设定值。(8)8L4)降速换道行为：路面的坑槽病害会严重影响0.8L4L图12 降速换道行为示意图BCV0.8LFig.12 Schematic diagram of deceleration and lane change当车辆在A点发现C点的坑槽病害时，其通过同步的转向和减速操作行驶到外侧车道，规避坑槽处的风险环境,其加速度计算公式与式(7)相同,车辆的平均转向角决定了车辆的转向幅度和速率，属于车辆的横向行驶行为，其具体计算公式如式(9)所示：(6)(7)a=5(%-),8LVi=Vo+at,20W=t式中：W为平均转向角速度；0 为车辆转向的总偏转角。联立方程式可得：w=5(v:tvo),4LO笔者目前对不同自动驾驶行为变化的研究是对广泛使用及主要考虑的交通信息的补充,并非仅考虑路面条件的替代，未来将对同时考虑交通信息和路面条件的自动驾驶策略进行全面的研究。需要指出的是，提出的降速/换道是为了说明驾驶策略的变化，实际操作必须严格遵循当地的交通法规。3.3算法基于路面/交通状况智能检测的自动驾驶行为流程见图13。当视频检测传感器检测到“破损标线”时,车辆的速度为Vo,目标下降速度为VL,路段最小限速值为VL较大减速后的预设速度值为V2。步骤1：根据自动检测车上视频检测传感器布设(9)(10)市放技术52Journal of Municipal TechnologyLI：视频检测传感器的最大检测视距v：视距线与地平线的夹角hy：视频检测传感器离地面的高度第41卷LysinOvhvNhvtanvLycosOv参数折减：La=0.8La遮挡折减：0.8 La降低车速正常行驶标线模糊井盖破损正常路面情况不需要报告设置速度设置路线小幅降速破损标线大面积修补修补裂缝记录详细信息并及时报告Vt=max(VL,Vi)大幅降速路面裂缝水坑立即报告Vt=max(Vi2,V)5(%-)a=8L降速换道坑槽带有详细信息的警告降低换道5(t+vo)W=4原型接口图13基于路面/交通状况智能检测的自动驾驶行为流程图Fig.13 Flow chart of automatic driving behavior based on intelligent detection of road/traffic state位置和角度计算视频检测传感器的实际有效检测视距，确定驾驶行为分类的视距依据；步骤2：根据7 种路面和交通条件将驾驶行为分为4类：正常驾驶行为、小幅降速行为、大幅降速行为、降速换道行为。这些控制参数将被发送到“原型接口”以控制自动驾驶系统。4结论1)以Comma.ai公司的开源Neo套件框架作为研究基础，并对其进行了适当的设备修改以满足要求。首先，将Giraffe和Panda的功能结合在一起，使得车辆CAN端口的信息将直接从USB端口导出；其次,对EON部分进行了改进,增加了散热系统，保证了自动驾驶系统的长期高效运行。2)使用并改进了Openpilot开源框架，该框架可适应多种类型的车辆。该研究进一步设计了基于Openpilot框架的信息采集模块，该模块既可以通过车载局域网系统获取车辆信息，未来也可以通过5G无线网络远程获取实时信息。3)使用Yolov5检测算法不仅能够在沥青路面上检测出更多的物体，而且能够满足图像检测的实时性，检测速度最快可达140 帧/s。然而，对于裂缝的检测精度并不算很高，其原因是背景的一些轻微裂痕被误检为裂缝，但是不影响实际的使用效果。通用自第8 期动驾驶原型系统已经搭建完成，后续只需在该基础上对识别模型继续迁移学习得到新的模型，从而提高对裂缝的识别精度。4)基于检测结果，提出了基于路面/交通状况智能检测的自动驾驶行为策略，分为4种：正常驾驶行为、小幅减速行为、大幅减速行为、降速换道行为。这些控制参数将被发送到“原型接口”，以控制自动驾驶系统。MET参考文献 1 LUO X,BIRGISSON B,LYTTON R L.Kinetics of healing of as-phalt mixtures J.Journal of cleaner production,2020,252:119790.2 ZHAO ZQ,ZHENG P,XU S T,et al.Object detection with deeplearning:a reviewJ.IEEE transactions on neural networks andlearning systems,2019,30(11):3212-3232.3 FREDMON J,FARHADI A.YOLO9000:better,faster,strongerCJ/ln Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition,2017:6517-6525.【4余俊英.基于YOLO的公路路面病害检测方法研究D.南昌：华东交通大学，2 0 2 2.（YUJY.Research on highway pavementdisease detection method based on YOLOD.Nanchang:EastChina Jiaotong University,2022.)5 LUO W T,LI L,WANG K C,et al.Automated pavement hori-zontal curve measurement methods based on inertial measurementunit and 3D profiling dataJ.Journal of traffic and transportationengineering(English edition),2016,3(2):137-145.6 LI L L,GAO Y M,ZHANG Y Q.Crack length based healingcharacterisation of bitumen at different levels of cracking damageJ.Journal of cleaner production,2020,258:120709.7 ZHANG A,WANG K C P,LI B X,et al.Automated pixel-levelpavement crack detection on 3D asphalt surfaces using a deep-learning networkJ.Computer-aided civil and infrastructure en-gineering,2017,32:805-819.2023年8 月2 日，在黄花国际机场，伴随“空港四号”盾构机刀盘徐徐转动，长沙地铁6 号线东延段工程中间风井一黄花机场T1T2站区间左线盾构正式始发。此次“空港四号”盾构机的顺利始发，吹响了6 号线东延段工程双线掘进的冲锋号角。此次“空港四号 盾构机从中间风井始发，向西掘进50 0 余m后将进入1.15km机场飞行区，依次下穿6 0 m宽第二跑道、45m宽第一跑道、远机位候机厅及机场连廊，最后接人已运营黄花机场T1T2站，全长约18 6 2 m。该工程是省内首次连续正穿机场跑道施工，对地面沉降控制要求极高，施工技术难度大，管理要求高。长沙地铁6 号线东延段起于6 号线黄花机场T1T2站（不含），止于黄花机场T3站。总投资2 7.9 9 亿元，全长4.2 2 km，设站1座（为地下站）。该项目于2 0 2 1年4月开工建设，目前黄花机场T3站进行主体结构施工，盾构区间完成51%。（转载自轨道交通网）张瑾等：考虑路面病害条件的通用自动驾驶原型系统设计Robotics,2022,6:08176.11 LIU S,QI L,QIN H,et al.Path aggregation network for instance segmentationC/In Proceedings of the IEEE Conference on Com-puter Vision and Pattern Recognition,2018:8759-876812UKHWAH E N,YUNIARNO E M,SUPRAPTO Y K.Asphaltpavement pothole detection using deep learning method basedon YOLO neural networkCJ/2019 International Seminar on In-telligent Technology and Its Applications,Surabaya,2019:35-40.13ARYA D,MAEDA H,GHOSH S K,et al.Transfer learning-basedroad damage detection for multiple countriesJ.2020,2008:13101.14MAJIDIFARD H,JIN P,ADU-GYAMFI Y,et al.Pavement im-age datasets:a new benchmark dataset to classify and densify pave-ment distresse J.Transportation research record,2020,2674:328-339.其他作者：马庆朋，男，工程师，硕士，主要研究方向为灾害预测与防治。王赫，男，工程师，硕士，主要研究方向为道路材料。陈艳艳，女，教授，博士生导师，主要研究方向为智能交通系统。张慧婷，女，在读硕士研究生，主要研究方向为路面病害自动检测。陈宁，男，讲师，博士，主要研究方向为智能车与车联网技术。张翔，男，高级会计师，博士，主要研究方向为智能交通系统。长沙地铁6 号线东延段“空港四号”盾构机始发53 8 CAO X,WANG P,MENG C,et al.Region based CNN for foreignobject debris detection on airfield pavementJ.Sensors,2018,18(3):737.【9陈艳艳,刘卓,严海,等.一种基于路面病害检测的通用自动驾驶导航系统PJ.CN112633055A.2021-04-09.（CH ENYY,LIU Z,YAN H,et al.A universal automatic driving navigationsystem based on road disease detectionP.CN112633055A.2021-04-09.)10CHEN L,TANG T,CAI Z,et al.Level 2 autonomous