融合概率栅格与神经辐射模型的曲线隧道路侧感知优化框架
曲线隧道环境具有视距受限、车辆遮挡显著、横断面与交通条件变化复杂等特点，传统静态感知布设方法难以准确反映真实的可见性与感知贡献。本文提出融合概率栅格、神经辐射模型与虚实融合仿真的路侧 LiDAR 优化框架，以动态刻画隧道交通场景中的占据状态、遮挡关系与传感器边际贡献，并通过 KL 散度阈值与最小传感器问题实现高效部署决策。
曲线隧道几何与动态交通场景重构，覆盖不同半径、横断面与车流构成。
显式建模车辆、洞壁与道路曲率造成的遮挡及视距损失。
以概率分布变化与 KL 散度量化每个 RSL 节点的感知贡献。
面向最小传感器配置（MIN）的优化部署决策，平衡性能与成本。
构建“隧道场景 — 概率表征 — 神经辐射建模 — 信息贡献评估 — 最小传感器优化”的闭环决策流程。
Framework
该框架通过虚实融合仿真构建动态交通环境，以概率占据状态刻画空间不确定性，并利用神经辐射模型生成可用于优化评估的场景表征，最终识别高贡献节点并求解最小传感器配置。
Scenario
Metrics
NRM
Variants
模型变体用于适应不同隧道几何与交通条件下的感知建模需求，使场景表征更贴合曲线隧道的遮挡结构与传感器评估目标。
| 维度 | 标准 NRM | 面向隧道优化的 NRM 变体 |
|---|---|---|
| 场景表达 | 通用连续场表达 | 强调曲线隧道与遮挡特征 |
| 输入信息 | 空间位置与观察方向 | 融合交通、几何和占据状态 |
| 目标 | 场景重建 | 传感器布设评估与优化 |
| 输出用途 | 辐射 / 密度表达 | 覆盖贡献、信息价值与节点筛选 |
从感知指标、模型表达能力到优化布设结果，验证所提框架在曲线隧道动态场景中的应用潜力。
SM metric
对比不同场景或不同传感器布设策略下的 SM 指标表现，用于反映感知质量、空间覆盖或场景表征能力的变化。该比较展示了概率栅格与 NRM 融合框架对复杂遮挡环境中感知评价的支持作用。
Note · 图中柱体为示意占位，具体数值以论文原图与统计结果为准（Results to be inserted）。
Comparison
通过可视化对比展示传统场景表达与融合概率栅格、神经辐射模型后的场景表达差异。重点突出后者对曲线隧道结构、车辆分布、局部遮挡和感知连续性的刻画能力。
Note · 定性对比说明；具体重建效果与评价指标（如 IoU 曲线与箱线图）请参见论文原图。
Fig. 20
展示优化后的路侧 LiDAR 密度分布特征。重点说明高曲率区段、视距受限区域、交通冲突或遮挡风险较高区域通常需要更高的感知资源配置，而信息冗余区域可减少传感器部署。
Importance
基于移除单个传感器节点前后概率分布的变化，通过 KL divergence 量化节点的重要性。高重要性节点承担关键的可见性补偿与信息增益作用；低重要性或冗余节点可在满足 KL_thres 条件下被筛除，以支持最小传感器部署。
面向曲线隧道的路侧感知基础设施，从问题识别、表征方法到优化决策的系统性结论。
曲线几何、洞壁约束和动态车辆遮挡显著影响路侧 LiDAR 的有效覆盖范围，传统均匀或经验式布设难以满足复杂隧道场景的精细化感知需求。
概率栅格能够将车辆动态、局部遮挡和空间占据状态转化为可量化的概率表达，为传感器覆盖与信息价值评价提供统一基础。
神经辐射模型通过连续空间建模增强了对隧道环境、视角变化和遮挡关系的表达能力，可为复杂感知场景下的部署评估提供更精细的支撑。
基于 KL 散度阈值评估传感器移除带来的信息变化，可识别高贡献节点与冗余节点，并建立感知性能和部署成本之间的可控权衡。
所提框架可为不同曲线半径、交通流量、大型车辆比例和横断面条件下的路侧 LiDAR 配置提供自适应决策依据，支持曲线隧道智能化感知基础设施的高效建设。
Toward adaptive, information-efficient, and scenario-aware roadside sensing for intelligent tunnels.
Outlook · Linking KL divergence with straightforward perception metrics remains a future direction