广东
在高速公路数字化转型持续推进的背景下，交通事件智能监测、运行状态识别和异常情况预警对算法模型的准确性与可靠性提出了更高要求。然而，在实际运营环境中，雨、雾、雪等恶劣天气，以及夜间弱光条件下的道路场景，往往增加了交通事件识别的难度。与此同时，交通事故、道路抛洒物、车辆异常停靠和施工区突发情况等长尾事件发生频率较低，难以通过常规数据采集获得充足的训练样本，成为制约交通视觉模型进一步提升的重要因素。
针对上述问题，金溢科技与北京航空航天大学团队围绕多模态数据生成方法开展研究，首次提出面向路侧视角的交通世界模型 TWM（Traffic World Model）。相关研究以“TWM：基于交通世界模型的多模态数据生成引擎（TWM: Multimodal data generation engine via traffic world model）”为题，于2026年9月30日发表在交通领域国际权威期刊 《Communications in Transportation Research》（如图1）。
图1 交通世界模型TWM概述
该研究聚焦交通场景数据生成，探索通过生成式人工智能构建可控的道路场景数据，为高速公路事件监测与运行管理中的模型训练、测试和评估提供数据支持。研究团队构建了基于条件扩散模型（cDiT）的交通数据生成框架，可根据文本描述、目标框和道路布局等条件生成路侧交通图像，并进一步扩展至交通视频生成、长尾事件图像编辑以及基于深度估计的点云生成。通过对天气、道路环境、交通参与者及事件目标进行条件控制，该方法能够构造不同交通场景，补充真实道路数据中采集难度较高或样本数量不足的情况。相较于各任务最优基线模型，TWM模型在各类数据生成任务中平均性能提升约40%，生成数据的细节质量得到显著改善。
在恶劣天气数据增强实验中，研究团队生成了雨天、雾天和雪天三类合成图像，并将其加入交通目标检测模型的训练数据。实验在真实测试集上进行，结果显示，加入合成数据后，模型总体平均精度均值（mAP）从 30.63% 提升至 38.79%，提高 8.16 个百分点。其中，雾天场景的平均精度均值（mAP）从 33.94% 提升至 44.91%，提高 10.97 个百分点；雪天场景从 35.83% 提升至 40.84%；雨天场景从 24.02% 提升至 27.68%。实验结果表明，合成数据能够在该实验设置下补充恶劣天气样本，并改善模型在真实测试场景中的检测表现（如图2）。
图2 不同光照和天气条件下生成的图像
针对真实道路中难以充分采集的长尾事件，研究团队进一步开展了数据增强实验。研究使用交通场景生成方法构造包含锥桶、隔离设施、道路散落物及异常车辆位置等情况的合成场景，并将其加入真实标注数据参与模型训练。在独立的真实场景测试中，模型在交并比（IoU）为 0.75 时的检测准确率由 24% 提升至 28%。这一结果显示，针对性生成的长尾事件样本有助于补充稀缺事件数据，为交通异常事件检测模型的训练提供新的思路。
综上所述，交通世界模型TWM研究为高速公路数字化运营中的交通事件监测提供了一种新的数据构建思路。通过可控生成恶劣天气场景和低频异常事件样本，该方法降低部分特殊场景数据采集与标注的压力，并为事件检测模型训练、算法测试和边界场景评估提供补充。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
