Synthesizing perceived trajectory for placing cooperative roadside LiDAR: A hybrid simulation-deep learning framework

动态场景重构

Dynamic Scene Reconstruction

基于交通场景中的车辆轨迹、道路结构和环境要素重建动态交通环境，为路侧 LiDAR 感知仿真提供统一的时空场景基础。该过程保留交通参与者运动状态与道路交互关系。

改进 Ray-Tracing 算法

Improved Ray-Tracing Algorithm

采用改进的光线追踪算法模拟路侧 LiDAR 的扫描与遮挡过程，以更高效率估计激光束与动态对象之间的可见性关系。该模块为 CoP-SIM 提供高效的感知数据生成能力。

CoP-SIM 示意

Cooperative Perception Simulation

CoP-SIM 用于模拟协同感知环境下路侧 LiDAR 对交通参与者的观测结果，生成不同部署位置、视场范围与遮挡条件下的 RSL-captured trajectories（RSL-CT）。

轨迹合成思想（类比 NeRF）

Trajectory Synthesis Inspired by NeRF

借鉴 Neural Radiance Fields（NeRF）"由观测条件推断场景表征"的思想，将路侧 LiDAR 的位置与环境信息映射为感知轨迹表征。深度神经网络学习真实轨迹与感知轨迹之间的非线性映射关系。

信息损失计算

Information Loss Computation

通过比较 Ground Truth（GT）与路侧 LiDAR 捕获轨迹（RSL-CT）之间的差异，构建反映感知信息缺失的特征。风险交叉熵（RCE）等指标可作为深度神经网络输入，用于关联感知退化与风险监测能力。

DNN 感知轨迹预测

DNN-based Perceived Trajectory Prediction

利用深度神经网络，以部署配置和信息损失相关特征为输入，快速预测不同路侧 LiDAR 位置下的感知轨迹及其风险监测表现，从而降低传统仿真优化的计算成本。