【意义】跨视角图像地理定位是指将带有坐标元数据的卫星图像作为参考图像，从而确定待查询的地面视角图像地理坐标的过程。由于卫星图像可以做到全球覆盖且获取便捷，将其作为参考影像进行图像定位极大地扩展了图像地理定位的应用范围。【进展】伴随各种算法技术的发展，跨视角地理定位经历了从手工提取特征提取到深度学习的过程，其具体的定位思路也经历了从利用检索的方法直接将检索到的卫星图像中心坐标标记为地面图像位置的图像级跨视角定位，到像素级的细粒度定位，即更精准地将对应的卫星图像相应像素位置坐标赋值给地面图像的过程。然而，在跨视角地理定位的具体实现过程中，由于地面（侧视）图像和卫星（俯视）图像之间视角的剧烈变化，导致地面图像和卫星图像间的视觉内容差异巨大、相似性很小，这也使得跨视角图像地理定位具有较大的挑战性。然而为了提升跨视角地理定位的精度，各种学者纷纷进行各种表征学习、度量计算等算法的改进。同时针对巨大的视角差异，一些学者甚至研究跨视角图像之间专门的几何变换、图像生成等视角转换方法，以及借助方向信息、无人机图像信息的中间视角连接等提升定位精度。【目的】本文针对跨视角地理定位中出现的不同方法，以及用到的各种数据集、评价方法等进行梳理总结，在此基础上讨论未来的发展趋势。

【目的】跨视角图像地理定位技术能够建立起图像与现实地理空间的关联映射，对进一步挖掘图像背后蕴含的多种属性具有重要研究价值。近年来大多数基于深度学习的跨视角图像地理定位算法过分关注于影像内容，导致网络对于低级细节过度拟合，而缺乏对于几何空间布局的提取能力，因此在评估数据集上精度不佳。【方法】从上述问题出发，为了进一步提高跨视角图像地理定位算法的性能，本文设计了一种基于几何关系约束的跨视角图像检索定位算法。首先推导了地面全景影像的成像原理，并凭借球形坐标系与平面直角坐标系之间的映射关系实现地面影像视角的转换，以达到跨域匹配影像之间初步的几何相似性对齐。其次设计了CNN联合Transformer的特征提取算子，能够在提取影像视觉内容特征的同时，挖掘局部特征之间的几何空间配置信息，从而约束视角变化带来的内容、尺度等差异。此外，为了抑制经过几何映射转换后地面影像的畸变信息，设计了基于关系亲和矩阵的特征自交互模块，旨在通过计算局部特征间的相关性，实现前景信息和背景信息的分离，并最终达到突出关键前景信息的目的。最后通过引入特征聚合模块生成全局特征描述符并完成匹配定位。【结果】经过在CVACT_val、CVUSA以及VIGOR 3个公开数据集的完整数据上进行实验，本算法取得了相对优异的结果，其中在3个数据集上Top1影像的召回率分别达到了89.28%、96.42%和62.21%，与同类型算法GeoDTR相比取得了3.07%、1.04%和3.2%的精度提升。【结论】研究证明了本算法的优越性以及在不同应用场景下的适应能力。

【目的】建模城市驾驶场景显著性是提高驾驶系统智能化水平的重要研究方向。现有显著性建模方法通常忽略组合对象特征提取和时空特征动态变化，多要素特征交互传递效率低，无法满足城市驾驶场景显著性预测高精度、高效率的应用需求。【方法】本文基于多要素特征融合思想，提出一种针对驾驶场景视觉显著性的预测和建模方法。首先使用计算机视觉技术提取量化场景图像颜色、纹理特征；其次引入高差阈值比、胡矩、傅里叶描述重点关注组合对象并提取其形状特征；然后利用三维卷积网络提取连续场景图像中包含的时空特征；最后基于长短期记忆网络，通过替换特征层的方式设计显著性融合模块融合颜色、纹理、形状、时空多要素特征，使用显著性图解码方式实现显著性预测和热力图可视化。【结果】本文与5种方法在郑州市采集的驾驶场景数据集中展开对比实验，使用AUC值对模型进行评价，模型预测精度达到91.12%，明显优于其他方法，并在DADA、Dr(eye)ve、Deng等公开数据集中得到有效验证。【结论】本文方法能够在提高预测精度同时保持计算效率，并兼顾场景中组合对象分布和时空变化细节，有助于推动感知技术从独立任务模型向认知耦合系统转变。

【目的】近年来，研究者开始关注个体对于地图的心理体验，并发现了个体的空间认知风格和所接受的信息材料对地图体验的重要性。【方法】本研究采用空间认知风格测验对被试进行分类，同时对导航地图的模式和尺度大小进行操纵来开展研究，致力于探讨在离线表征视角下，个体的空间认知风格与导航地图呈现模式之间的最佳匹配。【结果】数据分析结果发现： ① 地标型个体的任务表现最差，路径型个体次之，纵览型个体的表现最好； ② 相比于相对方向判断任务，个体在方向指向任务上表现得更好； ③ 个体在学习大尺度地图后的任务表现比学习小尺度地图后的更好； ④ 无论是在学习了大尺度地图还是小尺度地图后，地标型个体的方向指向任务正确率均明显高于相对方向判断任务，路径型个体在这两种任务中的正确率均没有显著差异；纵览型个体虽然在学习大尺度地图后， 2种任务的正确率没有明显差别，但他们在学习小尺度地图后的方向指向任务正确率显著高于相对方向判断任务。【结论】不同空间认知风格个体的任务表现有着显著差异，而且个体往往更容易从自身位置对目标进行判断。此外，研究结果也表明使用大尺度地图更有利于个体判断目标位置，而且不同空间认知风格个体在使用不同尺度地图后，他们在不同任务上的表现也有所不同，这在一定程度上说明了个体的空间认知风格与导航地图呈现模式之间存在最佳适配关系。总的来说，这些发现对于提升个体的导航地图使用体验具有重要意义，也为地图设计者和开发人员提供了建议与指导。

【目的】交叉口车道级转向信息不仅可以帮助交管部门管控平面路口交通，实现大规模车辆在交叉口的有序流动，还能避免司机因选错车道而绕路行驶，是精准导航服务的关键信息。考虑到众源轨迹数据成本低、更新快，本文基于众源轨迹数据开展了平面交叉口车道转向信息识别研究。【方法】首先，在道路网及轨迹数据处理基础上，进行交叉口引导区轨迹提取、多角度去噪及高斯混合模型聚类，开展路段交叉口车道空间确定；然后在此基础上完成车道转向轨迹的横向及纵向统计，进行噪声转向剔除；最后顾及不同车道转向轨迹分布信息，设计了不同车道转向信息识别规则进行车道转向信息探测。【结果】为验证方法的有效性，选取了北京市2个区域的OpenStreetMap(OSM)路网数据及众源轨迹数据，以城市主干道且具有代表性的10个交叉口为研究对象进行试验，得到如下研究结果： ① 基于原始轨迹数据，采用一天轨迹、高峰时段轨迹及平峰时段轨迹进行车道转向识别，识别准确率分别达到74.3%、72.7%、55.7%； ② 原始数据加密及抽稀之后，随着采样频率的增加，本文方法识别准确率整体逐渐增加，在3 s加密时达到最大，为77.0%； ③ 在与阈值分割法、不剔除噪声转向法及拓扑连接法对比实验中，本文方法具有一定的优势。【结论】基于众源轨迹数据进行车道级转向识别研究对智能交通、自动驾驶具有重要意义，本文所采用的算法和技术以及研究结论为后续研究者提供了宝贵的参考及借鉴，促进智能交通系统相关技术的不断创新与应用。

【目的】立交桥是城市交通的枢纽和交通基础设施的重要组成部分，提取精细的立交桥结构对交通规划和车辆导航有重要意义。轨迹数据凭借成本低、数据量大、实时性高，且包含大量行车语义信息的优势，成为路网信息提取的重要数据源。然而，由于立交桥的层次结构与转向关系较一般交叉口都更为复杂，使用缺少高程信息的轨迹数据提取精细的立交桥结构充满挑战。【方法】本文顾及轨迹点的宏观有序连接与微观相似集聚，提出一种正逆向追踪与融合的立交桥结构自动提取方法。首先，基于特征约束规则滤选出位于立交桥主体的轨迹集合；然后，经潜在分岔点感知验证、基于流聚类的轨迹分流，正向或逆向地递归追踪得到立交桥子结构；最后，据表征同一地理位置的分岔点，分别融合正向或逆向追踪的所有子结构，再以正向追踪融合结构为基础，融入逆向追踪所得汇合点信息，提取到完整的车行道级立交桥二维结构。【结果】使用深圳市的众源轨迹数据进行立交桥结构提取试验，提取结果的总体GEO精确度达95.50%，总体TOPO达88.96%。【结论】试验结果表明本文方法能有效提取立交桥的几何结构与拓扑信息。

【目的】道路目标检测是LiDAR点云的重要应用方向之一。许多基于点云的检测方法在处理大型目标、近距离目标或简单场景下的目标时性能表现良好。但由于LiDAR点云过于稀疏，缺乏RGB图像的纹理信息，导致其在面对小目标、远距离目标或复杂道路环境下的目标时，误检率和漏检率较大。【方法】为改善复杂场景下的道路目标检测效果，本文以PointRCNN作为基线网络，提出了一种基于RGB图像和LiDAR点云的双分支多阶段融合检测网络，称为EPG2LFusion。该网络包含以下两点改进：首先，针对现有卷积神经网络提取图像特征时普遍受到感受野限制的问题，在图像分支中设计了一种名为WaveDSConv的卷积模块，其结合了小波变换卷积与深度可分离卷积来增强图像全局特征的提取质量，从而提升融合后的目标检测性能；其次，针对点云和图像2种不同模态数据难以直接融合的问题，提出了融合模块G2L-Fusion，通过投影矩阵建立点云和图像之间精确的点-像素对应关系，并有效地利用通道注意力机制在多个阶段融合两种模态数据之间的全局信息与局部信息。【结果】所提方法在KITTI基准数据集上进行了多个类别（汽车、行人、骑行者）的道路目标检测任务，对所有类别的平均检测精度为65.21%，相比基线网络提升了4.88%；在具有挑战性的中等难度下的行人目标类别上实现了45.86%的平均检测精度，与现有先进算法相比具有竞争性。【结论】结果表明，本文算法利用RGB图像丰富的纹理特征弥补了LiDAR点云稀疏性的不足，提高了对常见道路目标的检测精度。

【目的】多无人机路径规划是保障无人机群在复杂环境中高效协同作业的关键技术，其本质为可行域稀疏的约束多目标优化问题。进化算法因具备较强的全局搜索能力，已被广泛应用于该类问题的求解。然而，现有方法在路径初始化阶段往往忽略路径的空间结构特征，在路径重生成阶段则主要依赖通用的随机搜索算子，缺乏对适应度函数和无人机与飞行环境空间关系的有效利用，限制了算法在有限计算资源下获取高质量全局可行解的能力。【方法】本文提出一种面向多无人机路径规划的多源启发式进化算法（MSHEA）。该算法通过引入路径空间结构、适应度信息及飞行环境特征等多源启发式信息，分别优化路径初始化与重生成过程：设计按序有向膨胀策略，生成兼具空间合理性和解空间覆盖性的高质量初始路径集合；构建融合适应度与飞行环境信息的路径重生成机制，有效提升不可行路径的修复效率与可行路径的局部优化能力。【结果】基于8组不同复杂度的公开多无人机路径规划基准数据开展实证验证，结果表明MSHEA在不同飞行场景下均展现出优越的求解性能和较高的稳定性： ① 相比次优基准算法，其超体积指标提升1%~6%，反世代距离指标降低6%~81%； ② 所设计的路径初始化策略与重生成机制在提升算法性能方面均发挥了显著作用； ③ 对新增超参数的敏感性较低，具有良好的适应性与通用性。【结论】MSHEA通过引入多源启发式信息显著增强了多无人机路径规划的求解能力，为多机协同作业任务中的路径优化问题提供了稳健可靠的技术支撑。