2026年6月11日14：00，中南大学自动化学院智慧交通团队第3次学术研讨会在升华后楼504举行。本次研讨会由多车协同研究小组的肖海东、吕杜杨、金孔宁、杨枝枝和李喜五位同学依次进行学术报告分享。会议内容涵盖多光谱目标检测、异构非线性多智能体一致性控制、高速公路瓶颈区混合车辆群体可变限速控制、自动驾驶切入风险场景生成以及自动驾驶行车测试方法等多个方向，桂瑰老师、邢璐老师与陈显达老师，以及团队全体同学共同参加本次研讨会。

本次研讨会聚焦智能驾驶与多车协同领域中的关键科学问题和工程应用需求，既关注复杂环境下的智能感知与多模态融合，也关注多智能体系统协同控制、混合交通流主动管控、强交互风险场景构建和自动驾驶测试评价等内容。五位同学围绕各自研究方向汇报了近期研究进展、技术路线、实验结果与后续思考，现场交流讨论充分，学术氛围浓厚。

首先，肖海东同学以《基于特征细化方法的多光谱目标检测算法研究》为题进行学术分享。他指出，在大雾、黑夜、弱光和复杂背景等场景下，单一可见光成像容易受到环境干扰，检测性能明显下降；红外成像虽然能够提供目标热轮廓信息，但纹理和颜色信息不足，目标辨识度有限。因此，充分利用可见光图像的高频纹理细节和红外图像的低频轮廓信息，构建高鲁棒性的多光谱感知模型，对于提升智能系统在全天候、复杂环境下的目标检测能力具有重要意义。围绕上述问题，肖海东同学重点介绍了空间特征细化网络和频域特征细化网络两方面研究内容。在空间特征细化网络中，他通过跨模态特征筛选、自适应模态加权、余弦相似度加权以及TopK掩码稀疏化等模块，提升可见光与红外特征在空间位置和通道维度上的有效交互能力，缓解双模态特征错位和背景冗余干扰问题。在频域特征细化网络中，他进一步引入组稀疏自注意力和频域自适应加权机制，利用快速傅里叶变换对不同频率成分进行建模，在抑制红外热噪声的同时保留关键语义信息，实现检测精度与模型轻量化之间的平衡。实验结果表明，所提出的特征细化方法能够在多个多光谱目标检测数据集上取得较好的检测效果，为复杂环境下的智能感知提供了有效技术支撑。

肖海东同学分享结束后，现场老师和同学围绕研究内容展开了深入交流与讨论。大家针对多光谱特征融合过程中的空间对齐问题、频域特征建模的有效性、轻量化模型在边缘端平台上的部署可行性等内容提出了建设性意见。

图1 肖海东同学汇报分享—多光谱感知

随后，吕杜杨同学围绕《基于无模型深度强化学习的异构非线性多智能体一致性控制》进行了系统汇报。他指出，多智能体系统通过多个自治个体之间的分布式协同完成复杂任务，已广泛应用于无人系统、智能制造、智能交通和能源网络等领域。一致性控制作为多智能体系统协同控制的重要基础，其核心目标是通过局部信息交互实现群体状态协调。然而，实际多智能体系统通常存在有向通信拓扑、系统动力学异构、非线性特征明显以及模型信息未知等问题，使得经典一致性控制方法面临较大挑战。针对上述问题，吕杜杨同学介绍了一种融合无模型深度强化学习与事件触发机制的分布式一致性控制框架。该方法首先利用深度强化学习学习未知非线性系统的反馈线性化映射，将复杂非线性动力学转化为近似线性形式，从而避免对精确系统模型的依赖；随后在近似线性系统基础上设计分布式观测器与一致性控制协议，使各跟随智能体能够在有向拓扑条件下实现对领导者的协同跟踪；同时引入事件触发机制，使智能体仅在本地信息偏差达到触发条件时才进行通信，从而降低通信频率和计算负担。仿真结果表明，所提方法能够有效实现异构非线性多智能体系统的一致性跟踪，并且事件触发间隔始终保持正值，能够避免Zeno行为。

吕杜杨同学分享结束后，现场老师和同学围绕研究内容展开了积极讨论。大家就深度强化学习反馈线性化方法的稳定性保证、事件触发阈值设置、无模型方法与传统控制理论的结合方式以及算法在真实多机器人系统中的工程实现等问题提出了参考建议。

图2 吕杜杨同学分享—多智能体系统一致性控制

第三位汇报人金孔宁同学以《基于混合车辆群体的高速公路瓶颈区上游可变限速控制研究》为题进行学术分享。他指出，高速公路瓶颈区通常伴随车道缩减、交织换道和车辆减速等待等现象，是交通拥堵和事故风险的高发区域。传统基于路侧可变限速信息板的管控方式高度依赖人工驾驶车辆驾驶员的遵从率，当人工驾驶车辆存在较高比例的不遵从行为时，限速指令难以有效落地，最终管控效果容易偏离预期目标。围绕“如何设计合理的车辆组织模式”和“多辆CAV数量增加后如何实现协同控制”两个核心问题，金孔宁同学从混合交通流建模、车群划分、分层协同限速以及多智能体强化学习优化四个方面展开汇报。在混合交通流建模方面，他基于CitySim数据集分析瓶颈区车辆自由换道、减速等待和强制换道等行为特征，并针对不同路段建立跟驰与换道模型。在车群划分方面，他通过车群系数评价指标，综合考虑期望车群规模和CAV领航增益，用于衡量车群分布的合理性，并结合深度强化学习和Mask机制求解最优车群划分策略。在分层协同限速控制方面，他根据领航车辆类型区分CAV领航车群和HDV领航车群，分别计算目标速度，并融合安全车距调节和车群速度协同目标设计控制策略。进一步地，他将各车群中的CAV领航车视为智能体，构建IPPO和MAPPO训练框架，并采用由低流量到高流量的课程式训练方式提升策略稳定性。实验结果表明，与无控制和已有CAV控制方法相比，所提车群协同限速方法能够有效降低风险发生频次和严重程度，并改善平均行程时间；其中MAPPO框架在风险抑制和通行效率方面表现出较好的综合效果。

金孔宁同学分享结束后，现场老师和同学围绕车群划分指标构建、CAV渗透率变化下的控制效果、多智能体强化学习策略的泛化能力以及大型车混入条件下的瓶颈区控制问题进行了深入交流，并对后续研究提出了改进建议。

图3 金孔宁同学分享—混合交通流仿真建模

接着，杨枝枝同学围绕《考虑车辆运动交互的切入风险场景构建与生成方法研究》进行了系统汇报。她指出，自动驾驶系统落地前需要大量测试场景，其中高风险切入场景对算法安全性评估具有重要意义。然而，自然驾驶数据中此类强交互风险场景数量有限，采集成本较高，现有方法对车辆强交互片段的精准识别、时序化提取和增强生成仍存在不足。围绕这一问题，杨枝枝同学首先对NGSIM、HighD及自采轨迹数据进行分析，比较不同车型跟驰与换道场景的风险特征，最终选取数据量较大且风险程度较高的小汽车切入小汽车场景作为研究对象。在场景提取方面，她以换道点为中心提取等时序轨迹片段，并针对传统安全替代指标难以刻画持续交互过程的问题，改进MOS函数，通过引入车辆连线方向上的速度分量投影，更准确地描述换道切入过程中的车辆交互强度。随后，她利用GMM-EM方法自动划分强交互阈值，并结合强交互状态和交互暴露程度完成场景筛选。在场景生成方面，她基于Trajectory-GAN进行改进，引入交互特征注意力机制，使模型更加关注强交互状态下的关键特征；同时加入平滑损失，降低生成轨迹抖动。针对初始相对距离对风险程度的重要影响，她在生成后引入基于先验条件的筛选与惩罚机制，以增强高风险强交互样本生成能力。实验结果表明，改进模型在保持真实数据分布相似性的同时，能够生成更多风险程度和交互程度较高的场景样本。

杨枝枝同学分享结束后，现场老师和同学围绕为什么需要进行场景生成、生成场景如何用于自动驾驶测试、生成结果如何评价好坏以及生成模型是否可能产生未见过但合理的新场景等问题进行了讨论。

图4 杨枝枝同学分享—交互场景提取与构建

最后，李喜同学围绕《基于预边界场景的自动驾驶行车测试方法研究》进行汇报。他指出，自动驾驶系统从实验室走向真实道路前，需要经过充分的安全测试与验证。虽然关键场景测试能够利用少量高价值场景覆盖更多潜在风险，但实际测试中仍存在边界场景触发率低、暴露时间短和测试效率不足等问题。为此，他提出以预边界场景为核心，通过提前识别边界场景的前序时序片段，并引导仿真过程向边界场景演化，从而实现自动驾驶加速测试。在场景库构建方面，李喜同学基于公开高速数据集、实验室自采高速数据以及仿真补充的大车换道数据，提取跟驰和换道场景，并以MTTC小于0.9作为边界场景判定标准。在此基础上，他进一步提取显性预边界场景，使其作为后续生成与测试引导的基础。针对实际测试中难以提前判断未来是否会出现边界场景的问题，他提出隐性预边界场景识别方法，利用随机森林模型进行初步判别，并结合速度引导和MTTC二次判别，提高潜在风险场景的覆盖率。在边界场景生成方面，他提出两阶段生成方法：首先利用TanjGAN生成新的预边界场景，扩充样本数量；随后通过多序列时间预测模型将其向未来演化，生成对应边界场景。实验表明，该方法相比直接生成边界场景具有更好的生成效果和判别率。在测试应用方面，他基于CARLA平台构建预边界场景引导的加速测试框架，通过实时识别、预测和油门或制动引导，使测试车辆更快进入高风险状态。结果表明，该方法能够提升边界场景暴露时长和高风险场景触发效率，并可用于评估不同自动驾驶算法的风险应对能力。

李喜同学分享结束后，老师和同学围绕生成场景的参数维度选择、数值场景与真实场景之间的相似性评价、生成结果的可信度验证等问题进行了交流。

图5 李喜同学分享—多源场景库构建

在五位同学完成汇报后，桂瑰老师对本次专题研讨会进行了总结。老师们充分肯定了各位同学近期在智能驾驶与多车协同相关方向上的研究进展，并鼓励大家在后续科研过程中进一步加强不同课题之间的交流与融合，从感知、控制、交通流优化、场景生成和测试评价等多个层面寻找交叉点，推动理论方法与工程应用相结合。