具身智能把车辆、信号灯、充电桩、站台门等所有交通参与者视为“有身体的智能体”，通过“感知-动作”闭环实现即时博弈与协同；本文提出的 SI-EI-WM 三元融合框架，为城市交通提供了一条从“感知智能”到“认知智能”再到“演化智能”的可行路径。面向未来，建议采用“规划先行-试点突破-生态共建”三步走战略，推动标准制定、数据共享与人才培养，最终实现安全、高效、绿色、人本的下一代智慧交通系统。其中 ℳₜˢ

计算机视觉作为人工智能领域的关键分支，历经半个多世纪的发展，实现了从简单的二维模式识别到复杂的三维场景理解的跨越。本文系统梳理了计算机视觉从20世纪60年代的萌芽阶段到当今深度学习时代的演变历程，分析了各时期的理论基础、技术突破与典型应用。研究表明，计算机视觉的发展遵循从手工特征设计到自动特征学习，从独立模块处理到端到端优化，从二维图像分析到三维场景理解的演进路径。未来，随着多模态融合、具身智能等

下面从“现状概览”与“具体案例”两个维度进行归纳。• 部分机场正在测试“视觉着陆辅助系统”，在 ILS 失效或低能见度下用摄像头实时计算飞机与跑道入口的相对位置，作为冗余备份。• 机载视觉：部分新研飞机在襟翼、起落架舱内嵌入微型视觉节点，实现“在飞状态”实时自检，预计 2026 年进入适航验证。• 缺陷检测：在复材蒙皮、发动机叶片工位部署 AI 视觉，实时发现裂纹、缺胶、划痕，漏检率降至 0.1

当前智慧分析层的应用多为解决特定问题的单点智能，如无人机巡检、列车调度等。：智慧分析层高度依赖高质量的数据与准确的模型，然而，低空轨道环境的复杂性导致数据采集面临诸多挑战，如传感器噪声、传输丢包、数据不一致等。低空系统与轨道系统在运营模式、管理规则、技术标准等方面存在显著差异，智慧分析层需要建立统一的模型与算法，实现两大系统的高效协同。低空轨道融合是未来城市交通发展的必然趋势，而智慧分析层作为这一

从底层的图像采集与预处理，到中层的传统与深度学习特征提取，再到高层的三维感知与场景理解，每一层技术都在为机器“开眼看世界”提供着不可或缺的工具。当前，以深度学习为代表的数据驱动方法已成为绝对主流，但其与传统方法的结合、与多模态传感器的融合、以及向边缘端的下沉，共同构成了技术发展的主旋律。其中，图像处理与分析环节所涉及的技术方法是整个系统的“大脑”，直接决定了系统的性能上限。从早期的基于传统数字图像

本文系统探讨了强化学习（Reinforcement Learning）作为人工智能关键分支在交通运输领域的赋能潜力与应用路径。研究表明，强化学习通过其独特的"感知-决策-奖励"学习机制，能够有效应对交通系统的高维度、动态性和不确定性挑战。在交通控制与管理领域，强化学习驱动的可变限速控制系统和交通信号优化系统显著提升了路网通行效率与安全性；在自动驾驶与智能网联方面，强化学习为复杂环境下的决策规划、多

计算机视觉作为人工智能领域的重要分支，旨在使计算机能够从图像或视频中"理解"并提取信息。本文系统回顾了计算机视觉发展历程中做出突出贡献的科学家及其核心理论，包括Marr的视觉计算理论汤晓鸥在人脸识别与底层视觉的突破、黄铁军在脉冲视觉芯片与视觉大数据处理的创新，以及Pascal Fua在三维视觉重建方面的进展。通过分析这些先驱者提出的革命性理念与方法论，本文深入探讨了他们如何推动计算机视觉从概念走向

本文提出一种“时空 OD+”大模型框架，创新性地融合手机信令数据与铁路、公交、地铁票务数据。x_projected = self.input_projection(x_flat.unsqueeze(-1)).squeeze(-2) # [batch, seq_len, num_nodes * num_nodes, d_model] -> 需要调整形状。od_pred = od_flat.view(

假设模型的权重服从一个简单的分布（如高斯分布），然后寻找一个最接近真实复杂后验分布的近似分布 $q(\omega)$。epistemic_uncertainty = np.var(predictions_stack, axis=0) # 认知不确定性 (方差) [H, W]：对同一张输入图像进行 $T$ 次前向传播（例如 $T=50$），每次都会因Dropout的随机性而得到 slightly d

交通强国”战略进入数字化深水区，传统“单点智能”难以满足超大规模路网、港口群、城市群的协同治理需求。本文面向公路、港航、执法、运输服务等核心场景，提出“多模态大模型+数据要素”双轮驱动框架：①构建“云-边-端”协同算力体系，研发融合文本、图像、视频与传感器数据的交通多模态大模型，形成“交通大脑3.0”；②建立全省统一数据资源目录与授权运营机制，打造“全链条数据资源池”，实现数据“供得出、流得动、用