基于随机森林的路侧激光雷达最优布设方法研究.pdf

第41 卷第9 期2023年9 月文章编号：1 0 0 9-7 7 6 7(2 0 2 3)0 9-0 2 6 9-0 7市放技术Journal of Municipal TechnologyVol.41,No.9Sep.2023D0I:10.19922/j.1009-7767.2023.09.269基于随机森林的路侧激光雷达最优布设方法研究刘文君1,程之恒 2.3*,霍延强2.3,庄绪彩2.3(1.山东省交通科学研究院，山东济南2 50 1 0 0；2.山东大学齐鲁交通学院，山东济南2 50 0 0 2；3.山东大学苏州研究院，江苏苏州2 1 50 0 0)摘要：为了进一步提高公路智能化建设水平，需要重视公路与车路协同技术的有效结合，而激光雷达作为新兴的高精度传感器，已成为车路协同系统的重要组成部分。为合理布设路侧激光雷达，提出了一种基于随机森林的路侧激光雷达布设方法。首先，利用随机森林分别对选取车道宽度、激光雷达与道路的安装距离等多元数据进行了影响机制分析。其次，在随机森林算法、机器学习库和数据分析库的基础上，使用现有的激光雷达布设方法数据训练出了预测模型，该模型以输入的车道宽度、激光雷达与道路的安装距离预测出的激光雷达的安装高度、安装倾角和两相邻激光雷达的安装距离为最优布设方法数据。最后，对其他场景下的最优布设方法数据进行了实例验证，随机森林算法能使激光雷达在保证不间断检测的前提下，大幅度提高道路车辆的检测精度，可为路侧激光雷达的布设提供参考。关键词：随机森林；决策树；激光雷达；最优布设方法RandomForest中图分类号：U491.8Research on Optimal Layout Method of Roadside LiDAR byLiu Wenjun,Cheng Zhiheng.3*,Huo Yanqiang*3,Zhuang Xucair.3(1.Shandong Transportation Research Institute,Jinan 250100,China;2.School of Qilu Transportation,Shandong University,Jinan 250002,China;3.Suzhou Research Institute of Shandong University,Suzhou 215000,China)Abstract:In order to further improve the highways intelligent construction,the key should be focused on the effectivecombination of highway and vehicle-road collaborative technology.As a new and high-precision sensor,LiDAR hasbecome an important component of the vehicle-road collaborative system.A method by random forest is proposed torationally layout the roadside LiDAR.Firstly,the impact mechanism of multiple factors such as lane width and in-stallation distance between LiDAR and the road are analyzed by random forest.Secondly,based on the random forestalgorithm,machine learning libraries and data analysis libraries,a predictive model is trained by existing LiDARdeployment methods data.The optimal deployment data of laser radar installation height,installation angle and installa-tion distance between two adjacent radars are predicted by the lane width and installation distance between LiDARand the road in this model.Finally,validating the optimal deployment data in other scenarios,the random forest al-gorithm can significantly improve the detection accuracy of road vehicles under uninterrupted detection,providingreference for the deployment of roadside LiDAR.Key words:random forest;decision tree;LiDAR;optimal layout文献标志码：A收稿日期：2 0 2 3-0 4-0 1作者简介：刘文君，女，工程师，硕士，主要研究方向为交通环保。通讯作者：程之恒，男，在读硕士研究生，主要研究方向为道路与铁道工程。引文格式：刘文君，程之恒，霍延强，等.基于随机森林的路侧激光雷达最优布设方法研究.市政技术，2 0 2 3，41(9)：2 6 9-2 7 5.（LIUWJ,CHENGZ H,HUO Y Q,et al.Research on optimal layout method of roadside LiDAR by random forest JJ.Journal of municipal technology,2023,41(9):269-275.)270交通是国家振兴的关键，也是强国的基础。交通运输具有基础性、先导性和战略性三大特点，因而在国民经济的影响因素中占有极其重要的地位。作为新一代信息技术与交通系统深度融合的划时代产物，智慧公路正在改变人们的出行方式-3。在智慧公路的建设过程中，车路协同技术的发展与应用是保障交通安全的支撑力量。作为车路协同技术的代表，激光雷达是一种高精度传感器，可通过发射和收集激光束来探测周围物体的距离和方向，并以3 D的形式存储于点云数据中。由于受光线和周围环境影响较小，激光雷达可以满足大多数交通场景的布设要求，特别适用于运动物体的检测和定位 4-5激光雷达已广泛用于遥感技术，如森林调查和数字高程模型的生成，近年来，也被用于智能交通系统和连接车辆的路边基础设施。自动驾驶汽车使用车载激光雷达来检测道路边界、行人、车辆和障碍物 6。互联车辆是指能够与其内部和外部环境进行通信的无线连接车辆，即支持车辆到车载传感器、车辆到车辆、车辆到道路基础设施和车辆到互联网的交互。互联车辆不仅可以提高车辆的安全性，还可以提高行车效率、缩短通勤时间 7。然而,在布设路侧激光雷达时，由于激光雷达的安装高度、安装倾角和两相邻激光雷达的安装距离等安装参数较多，已无法实现根据已知的布设方法数据推算出不同场景的最优布设方法。为此，笔者提出采用一种基于随机森林的路侧激光雷达最优布设方法来应对不同场景的需求。随机森林算法是机器学习算法之一，是一种通过集成学习的思想集成多个决策树的算法，具有解决回归问题和分类问题的能力 8。目前,基于随机森林的预测算法还存在许多不足，如多对一场景下的预测模型误差较大、无法将实际场景的参数精准总结到训练参数等。基于此，笔者综合运用随机森林和机器学习技术，提出一种基于随机森林算法的路侧激光雷达最优布设方法，并根据已有的激光雷达布设方法数据进行机器学习训练，构建通用场景下的激光雷达最优布设预测模型；根据预测模型对其他场景下的路侧激光雷达布设数据进行预测与确定。试验结果表明，该算法拥有较高的拟合程度并能准确给出各种场景下的布设方法，可为路侧激光雷达的布设提供参考。Journal of Municipal Technology第41 卷1国内外研究现状国内一些学者对基于随机森林算法的传感器布设方法展开了研究，汤圣君等 9 提出了一种针对室内点云的高精度分类方法，并结合超体素随机森林和神经网络进行了优化，发现该方法的分类准确率可达8 3.2%；吴家皋等 1 0 提出了一种随机森林改进算法，并进行了仿真试验，发现该算法能够显著提高消息的传递速度、减少消息的传递延迟，从而验证了其有效性；陈博伟等 1 1 构造了1 2 个光子点云特征，并利用随机森林对变量进行了筛选，采用机器学习算法对激光雷达点云数据进行了分类，发现构建的分类器分类总精度高达9 6.7 9%，平均生产者精度和用户精度分别为9 7.1%和9 6.8%;段广明 1 2 提出了一种随机森林改进算法，利用动态遭遇奖励机制对车辆节点进行了分类，从决策树构建优化模型中选取了分类性能好、多样性高的随机森林模型，发现该方法能够获得较好的分类效果。国外学者Chen等 1 3 提出了一种基于随机森林的方法，并以此检测来自美国3 个站点的1 4个MATLAS数据集的潜在信号光子，发现该方法对基于有限数量样本的检测准确率超过了8 5%;Silva等 1 4使用随机森林算法进行了建模，发现使用5个脉冲的激光雷达集合且网格单元为5m时，具有足够的精度和准确度，该方法得出的数据具有较大的置信度;Godfroy等 1 5通过激光雷达和高光谱数据预测了各类指标，确定了覆盖范围内的空间变化趋势，并将其与其他数据分割进行比较，试验证明使用随机森林分类的准确率高达8 0%9 0%。2随机森林算法研究随机森林算法既属于机器学习范畴又属于集成学习范畴。其中，集成学习的基本思想是组合多个分类器，从而得到1 个预测效果更好的集成分类器。从训练集中抽取n个训练样本，进而形成1 个新的训练集；使用新的训练集，训练M个子模型；对于分类问题，采用投票法，得票最多的子模型分类类别为最终类别；对于回归问题，使用简单的平均方法来获取预测值。随机森林以决策树为基本单元，通过整合大量决策树，形成随机森林。随机森林示意见图1。(1)Z(D,X)(2)O第9 期3树-1类别1Fig.1 Schematic diagram of random forest采用随机森林算法计算出数据集中的车道宽度和激光雷达与道路的安装距离对激光雷达的安装高度、安装倾角和两相邻激光雷达安装距离的拟合度分别为0.9 8 47、0.9 7 53、0.9 6 0 8。相比单棵决策树算法，多棵决策树构成的随机森林算法由于受随机森林“投票 机制的影响,其在进行数据拟合和数据预测时有多棵决策树对预测方案进行块择。因此,在面对更多数据与更多预测类型时，随机森林算法的优势更加突出。3基基于随机森林的最优布设预测模型构建3.1险随机森林算法特征的提取通过每轮过滤来判断函数集到指定值的纵横比,如果超过相关标准将终止迭代过程,并将上一轮的筛选结果作为决策树中的实际函数集，以便在给定的误差范围内选择最优特征集，从而达到节省时间和筛选结果的效果。通过设置指定的阈值来删除Estimated vahue=M+ofsed+bias=Z C.(x,R.)=Z Contribution(x,g)+bias;=1Hbis+之1F(xHh=1式中：Estimatedvalue是估计值；M是根节点处整个样本因变量的平均值;d是决策路径的深度;Offset是偏置项;N是决策树中的叶节点数;C,是常数;I是指示函数;R，是对应于第n个叶节点特征空间的子集；F(x）是随机森林模型的估计值与功能贡献之间的比率；H是随机森林模型中子树的数量；Q是参与估计的函数;Contribution(,q)是参与估计的第q个刘文君等：基于随机森林的路侧激光雷达最优布设方法研究数据集中23树-2树-3类别2类别1投票选出较多的类型最终投票结果-类别1图1 随机森林示意图Dd-1271不相关的特征和属性，以便每个测试的偏差均在可验证的范围内且不影响测试数据结果。特征点的计算公式见式(1）,特征选择公式见式(2)。I.=-(Ei-E,(i=1,);n=1Zratio(D,X)=-式中：I是函数的重要性；x是特征；E是添加干扰因子后的分类误差数；E是决策树在袋外数据的分类误差;n是随机森林中包含的决策树数;Zratio(D,X)是信息增益，其中D是训练集，X是经验熵，表示函数变量；N是特征值的数量。随机森林模型由决策树构造的分类器与数据挖掘研究形成的强分类器组成,其中单棵决策树的函数选择标准是信息增益，即函数对所获得信息的不确定性降低程度，与经验熵有关。3.2路侧激光雷达布设的特征解释与误差控制导出与路侧激光雷达布设相关的数据，如以激光雷达的安装高度、安装倾角和两相邻激光雷达的安装距离作为选择的特征，并导入模型。但模型很难详细了解创建子树的时间和决策过程中的判断特征。基于此，引入用于解释随机森林模型的决策树工具,研究其特征因子度与模型的关系,即在节点处对决策树进行连续估计和分解，缩小测试范围，使估计值逐渐收敛到真实值。决策树规则路径类似于一组规则,以实现对样本统一处理。决策树路径中的注释会导致相关增益的估计值产生一定的偏差，因而估计值的计算公式也可表示为特征贡献和偏置项表达式之和，即：(3)q=1(4)-H1特征贡献值。3.3随机森林原始数据采集选取的数据采集点为双向8 车道的城市道路，单车道宽度为3.7 5m，三脚架的最高安装高度为6.0 0 m。试验步骤为：1)选择激光雷达的安装倾角与安装高度；2)测算实际检测范围；3)标定相邻激光雷达最优布设距离。ND.-log2(D;-D)i=1DI272路侧激光雷达操作示意见图2。激光雷达小鸭嘴三角支架图2 路侧激光雷达操作示意图Fig.2 Schematic diagram of roadside LiDAR operation2.0m车辆车辆Journal of Municipal Technology2.5m第41 卷3.3.1激光雷达的安装倾角和安装高度当激光雷达安装高度较高时，为解决检测死角问题，需要对激光雷达进行倾斜安装，但当倾角过大时，会造成实际检测距离减小的问题。为探寻安装倾角与安装高度的最优组合方案,将倾角按照0 4、8 1 2 设置，再分别将各倾角的激光雷达以每次50 cm的增量增加测量高度，在确定最佳布设范围后再折中测量。例如：某倾角在3.0 m和3.5m的高度获得的点云图车辆遮挡问题与检测死角问题优于其他测量高度,则再对3.1、3.2、3.3、3.4m的高度进行测量，最后确定该倾角的最优布设高度 1 5。激光雷达安装倾角保持0 时，不同安装高度下点云对比图见图3。3.0m3.5m车辆车辆图3 不同安装高度下激光雷达点云对比图Fig.3 Comparison diagram of LiDAR point cloud at different installation heights由图3 可知，激光雷达在中心位置采集的点云数据会随着其安装高度的增加而减少，即激光雷达安装高度为2.0、2.5m时，可以检测到最近车道的行车数据，而安装高度达到3.5m时，最近车道的部分行车数据会在车辆行驶过程中缺失。故在与道路保持一定距离的前提下，激光雷达的安装高度越高，安装位置与道路的水平距离越大，即产生的死角越大。激光雷达安装高度保持3.5m时，不同安装倾角下点云对比见图4。812车辆车辆车辆图4不同安装倾角下激光雷达点云对比图Fig.4 Comparison diagram of LiDAR point cloud at different installation angels由图4可知，安装高度保持3.5m时，增加激光雷达的安装倾角可以提高其对最近车道的检测精度。即激光雷达安装倾角为0 时，无法检测到最近车道的行车数据，而安装倾角增加到1 2 时，可以精确地检测到最近车道的行车数据。因而，在实际工程中，为消除死角产生的不利影响，可将激光雷达进行倾斜安装并改变其与道路的安装距离。为探究激光雷达的安装高度、安装倾角和与道路的安装距离之间的关系，根据激光雷达的工作原理与几何关系构建公式,见式(5)、（6)。a=h-hi;tan(75-0)=La式中：是激光雷达与车辆的垂直距离；h是激光雷达的安装高度；h是车辆高度；L是激光雷达与道路的安装距离。(5)(6)第9 期当激光雷达的安装高度小于1.5m时，道路上车辆并排行驶时的遮挡问题较为严重，故只考虑激光雷达安装高度1.5m的情况。采用上述方法，单向4车道激光雷达最优布设方法的安装高度为2.0 m，安装倾角为5.4与道路的安装距离为2.0 m。3.3.2相邻激光雷达最优布设距离的标定为实现无间断检测城市道路上的车辆，需要协调两相邻激光雷达的安装间距，由于试验采用的安装倾角为-1 51 6,激光雷达的点云形状呈圆形，可以根据激光雷达检测范围与安装倾角构建公式，见式(7)(9)。r=VR2-h;St=2VP2-(d+H)2;S2=VrP2-(d+H)2。式中：r是激光雷达实际探测半径；R是理想情况下激光雷达的探测半径；h是激光雷达的安装高度；Si、S 2 是相邻激光雷达的安装距离;d是需检测的公路宽度;H是激光雷达与道路的水平安装距离。相邻激光雷达的2 种安装距离（SI、S 2)示意见图5.6。SdHI图5相邻激光雷达安装距离S的示意图Fig.5 The installation distance of S,of adjacent LiDARsS2道路dHI图6 相邻激光雷达安装距离S2的示意图Fig.6 The installation distance of S2 of adjacent LiDARs刘文君等：基于随机森林的路侧激光雷达最优布设方法研究(7)(8)(9)道路高度由1.8 m增加到4.5m；激光雷达的安装倾角随着安装高度的增加而增大，取值范围在0 7.3 5之间；两相邻激光雷达的安装距离随着激光雷达实际检测距离的变化而变化，且激光雷达的实际检测距离与安装高度成反比例关系，因而激光雷达的实际检测距离随着其安装高度的增加而减小；受激光雷达与道路的安装距离的影响,两相邻激光雷达的安装距离从1 9 8.2 6 m(车道宽度为6.3 m)减小到1 9 0.1 7 m（车道宽度为2 1.4m）；激光雷达的感知距离随着激光雷达的安装高度、安装倾角和与道路的安装距离的增加而减小。该试验中，激光雷达的感知距离从原始情况下的9 9.1 3 m减小到9 5.40 m。先读取数据集中的数据,对数据组进行X和Y的变量区分，X轴为车道宽度和激光雷达与道路的安装距离,Y轴为激光雷达的安装高度、安装倾角和两相邻激光雷达的安装距离。在随机森林中对其进行数据分割,此时选择的参数为test_size=0.2,randomstate=0,默认决策树深度为1,调用打分机制分别评273激光雷达的实际安装距离会随着安装高度和与道路安装距离的改变而改变。基于此，构建激光雷达检测模型，并总结计算公式。单向4车道路侧激光雷达的安装高度为2.0 m，安装倾角为5,两相邻激光雷达的安装距离为1 9 6.0 m。采用该方法采集多种路侧激光雷达的最优布设数据，汇集为数据集，再通过随机森林算法形成预测模型，继而预测其他场景下激光雷达的最优布设方法。3.4基于随机森林的数据集处理按照上述布设方法，收集单向5车道、单向4车道、单向3 车道、单向2 车道和单向单车道数据，实际车道宽度分别为2 1.4、1 7.4、1 3.9、1 0.3、6.3 m。收集车道宽度变化较小的场景数据，如在车道宽度为2 1.4m的场景中分别代人车道宽度为2 1.2、2 1.0、2 0.8 m的场景,并在每个车道宽度场景下改变另一参数，即激光雷达与道路的安装距离。一般情况下激光雷达与道路的安装距离会随着激光雷达安装高度的增加而增大，如车道宽度为6.3 m时，激光雷达与道路的安装距离最大不超过2.4m，当车道宽度为2 1.4m时，激光雷达与道路的安装距离为6.7 m。对激光雷达的安装高度、安装倾角和两相邻激光雷达的安装距离等因变量进行分析，并确定可变量。试验发现：激光雷达的安装高度随着车道宽度的增加而增加，车道宽度由6.3 m增加到2 1.4m时，激光雷达平均安装4结语市放技术274Journal of Municipal Technology估X轴对Y轴的拟合程度。决策树深度与各类参数的拟合度对比见表1。表1 决策树深度与各类参数的拟合度对比Tab.1 Comparison of decision tree depth and fit of variousindicators决策树与激光雷达安装与激光雷达安装装与两相邻激光雷达深度高度的拟合度倾角的拟合度安装距离的拟合度10.688 420.946 730.978 840.985750.985960.985 170.985180.985 290.986 1100.9849110.9839120.9845通过model命令建立3 个随机森林的预测和训练模型，树的深度分别为5、8、1 1,此时随机森林模型的精度达到最高。读取需要预测的数据并将其写人文档即可获得最终的预测数据。该模型的优势在于可将预测模型拆分为3 组，分别按照数据集特征设置不同的决策树深度，使该模型精度达到最优值；将读取文件部分、模型构建与数据输出写入1 个文件中，更换自变量时仍然可以训练与预测，使该算法的兼容性更好。与万凌峰等 1 6 的研究相比,该算法考虑了激光雷达与道路的安装距离，得到了激光雷达的最优布设方法，即安装高度为1.8 7 m，安装倾角为2.5，由于该布设方法在与道路安装距离不变的前提下降低了激光雷达的安装高度，因而在增加有效距离的前提下，可以避免检测时出现死角问题。与张毅 1 7 提出的布设方法相比，该算法考虑了两相邻激光雷达的安装方位与安装倾角的变化，提高了激光雷达盲区补偿的效率，给出的激光雷达安装倾角为1 1.7，与两相邻激光雷达的距离为1 8 7.2 m。这种安装方法可以在激光雷达安装高度(6.0 m)不变的前提下对盲区进行点云补偿，且由于增大了两相邻激光雷达的距离，检测范围更大。为检测数据的合理性,针对单向3 车道,将路侧信息参数输人构建的随机森林模型中，模型给出的第41 卷安装方法为：激光雷达的安装高度为3.7 m，安装倾角为3.9 两相邻激光雷达的安装距离为1 9 6.40 m。采集到的激光雷达点云图能够很好地显现出车辆形状且没有出现死角问题。因此,该基于随机森林的路侧激光雷达布设方法可以很好地避免出现车辆死角与车辆遮挡问题。0.773 00.677 30.940 00.907 30.960.40.946 70.96520.95690.975 80.960 10.972.40.960 80.973 60.961 50.976 00.958 00.976 00.960 00.973 30.96150.972.30.96230.972.80.960 7针对随机森林训练过程中的噪声点源多、无法将实际场景的参数精准总结到训练参数和对未知场景下的布设预测方法不全等问题，笔者提出了一种基于随机森林的路侧激光雷达最优布设方法。基于随机森林算法对多组数据同时训练，构建了路侧激光雷达最优布设预测算法，并通过实际试验获得的最优布设方法数据对该算法输出的布设方法数据进行了验证。该方法在保证不间断检测的前提下，对道路车辆具有良好的检测精度，有利于增强路侧感知系统对车辆运行的感知，最优布设方法的应用将会在较低成本的前提下加快促进城市数字化与智慧化发展，对智慧公路与智慧城市的发展有着重要意义。参考文献 1 LIU C L,DU Y C,GE Y H,et al.New generation of smart high-way:framework and insights J.Journal of advanced transporta-tion,2021(1):1-12.2 ATTARAN H,KHEIBARI N,BAHREPOUR D.Toward integratedsmart city:a new model for implementation and design challengesJ.Geojournal,2022,87:511-526.3 IDROP N,GARLINSKA D.Evaluation of intelligent transportsystems used in urban agglomerations and intercity roads by pro-fessional truck driversJ.Sustainability,2021,13(5):1-5.4 WUJQ,XU H,ZHENG Y C,et al.A novel method of vehicle-pedestrian near-crash identification with roadside LiDAR dataJ.Accident analysis&prevention,2018,121:238-249.5 YUE R,XUH,WUJQ,et al.Data registration with ground pointsfor roadside LiDAR sensorsJ.Remote sensing,2019,11(11):1354.【6 吴建清，宋修广.智慧公路关键技术发展综述 J.山东大学学报(工学版),2 0 2 0,50(4):52-6 9.(WUJQ,SONGXG.Reviewon smart highways critical technology JJ.Journal of ShandongUniversity(engineering science),2020,50(4):52-69.)7 张涵，江健宏，吴建清.基于路侧激光雷达的在途目标分类技术 C/中国智能交通协会.第十六届中国智能交通年会科技论文集.北京：机械工业出版社，2 0 2 1：457-46 5.（ZHANGH，第9 期JIANG J H,WU J Q.Object classification technology based onroadside light detection and rangingCJ/China Intelligent Trans-portation Association.Proceedings of the 16th China IntelligentTransportation Annual Conference.Beijing:China Machine Press,2021:457-465.)8我孙忠秋，高金萍，吴发云，等.基于机载激光雷达点云和随机森林算法的森林蓄积量估测 J.林业科学，2 0 2 1,57(8)：6 8-8 1.(SUNZQ,GAOJP,WUF Y,et al.Estimating forest stock volumevia small-footprint LiDAR point cloud data and random forestalgorithmJ.Scientia silvae sinicae,2021,57(8):68-81.)9 汤圣君，张韵婕，李晓明，等.超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法 J.武汉大学学报（信息科学版）,2 0 2 3,48（4):52 5-53 3.（TANGSJ,ZHANGYJ,LI X M,et al.A high-precision indoor point cloud classificationmethod jointly optimized by super voxel random forest and LSTMneural networkJ.Geomatics and Information Science of WuhanUniversity,2023,48(4):525-533.)10吴家皋，芮琦，,刘林峰.一种随机森林增强的车载容迟网络路由算法 J/OL.小微型计算机系统.2 0 2 3-0 2-0 9(2 0 2 3-0 3-1 7)。https:/ JG,RUI Q,LIU L F.Random forest enhanced routingalgorithm for vehicular delay tolerant networkJ/OL.Journal ofChinese computer systems.2023-02-09(2023-03-17).https:/ 陈博伟，庞勇，李增元，等.基于随机森林的光子计数激光雷达点云滤波 J.地球信息科学学报，2 0 1 9,2 1（6)：8 9 8-9 0 6.（CHENB W,PANG Y,LIZ Y,et al.Photon-counting LiDAR point clouddata filtering based on the random forest algorithmJJ.Journal ofgeo-information science,2019,21(6):898-906.)(上接第8 0 页）engineering,2007(4):853-859.)11】刘洪洲,孙钧.软土隧道盾构推进中地面沉降影响因素的数值法研究 J.现代隧道技术,2 0 0 1(6):2 4-2 8.（LIUHZ,SUNJ.Study on numerical simulation of factors of ground settlementduring shield driving in soft groundJ.Modern tunnelling tech-nology,2001(6):24-28.)12 张云，殷宗泽，徐永福.盾构法隧道引起的地表变形分析 J.岩石力学与工程学报，2 0 0 2,2 1（3）：3 8 8-3 9 2.（ZHANGYYINZ Z,XU Y F.Analysis on three-dimensional ground surface de-formations due to shield tunnelJ.Chinese journal of rock me-chanics and engineering,2002,21(3):388-392.)13丁祖德，彭立敏，施成华.地铁隧道穿越角度对地表建筑物的影响分析 J.岩土力学,2 0 1 1,3 2（1 1)：3 3 8 7-3 3 9 2.（DINGZD,PENG L M,SHI C H.Analysis of influence of metro tunnelcrossing angles on ground buildings J.Rock and soil mechanics,2011,32(11):3387-3392.)14姚爱军,杨学嘉.盾构隧道侧穿筱板基础变形响应与安全评估刘文君等：基于随机森林的路侧激光雷达最优布设方法研究letters,2020,11(1):37-46.14 SILVA C A,KLAUBERG C,HUDAK A,et al.Predicting stemtotal and assortment volumes in an industrial pinus taeda L.forestplantation using airborne laser scanning data and random forestJ.Forests,2017,8(7):254.15GODFROY J,LEJOT J,DEMARCHI L,et al.Combining hyper-spectral,LiDAR,and forestry data to characterize riparian forestsalong age and hydrological gradientsJJ.Remote sensing,2023,15(1):17.16 万凌峰，孙朋朋，赵祥模，等.考虑路侧激光雷达摆动的背景建模及动态更新方法 J.汽车技术，2 0 2 2（8）：54-6 2.（WANLF,SUN P P,ZHAO X M,et al.Background modeling and dy-namic updating method considering roadside LiDAR swing JJ.Automobile technology,2022(8):54-62.)17 张毅.路侧单元协同的多目标跟踪方法研究 D.重庆：重庆邮电大学,2 0 2 2.(ZHANG Y.Multi-target tracking method forcollaborative RSUsD.Chongqing:Chongqing University ofPostsand Telecommunications,2022.)其他作者：霍延强，男，在读硕士研究生，主要研究方向为交通运输规划与管理。庄绪彩，女，在读硕士研究生，主要研究方向为交通运输规划与管理。J.地下空间与工程学报,2 0 1 2,8（4)：8 42-8 46.（YAOAJ，YANG X J.Deformation response and safety evaluation of side-crossing raft slab foundation in shield tunnel construction J.Chinese journal of underground space and engineering,2012,8(4):842-846.)15 陈祥福.沉降计算理论及工程实例M.北京：科学出版社，2005:207.(CHEN X F.Settlement calculation theory and engi-neering exampleMJ.Beijing:Science Press,2005:207.)16刘金砺.竖向荷载下的群桩效应和群桩基础概念设计若干问题J.土木工程学报,2 0 0 4,3 7(1):7 8-8 3.（LIUJL.Group effectsand some problems on the concept design of pile group founda-tion under vertical load J.China civil engineering journal,2004,37(1):78-83.)17马海龙，陈云敏.水泥土群桩承载力特性的原位试验研究 J.浙江大学学报（工学版），2 0 0 4,3 8（5）：59 3-59 7.（MAHL,CHENY M.Experimental study on bearing capacity property of cement-soil pile group in situJ.Journal of Zhejiang University(engineer-ing science),2004,38(5):593-597.)27512段广明.基于随机森林的机载激光雷达点云数据分类研究D.西安：西安电子科技大学，2 0 1 8.（DUANGM.Classifica-tion of airborne LiDAR point cloud based on random forests D.Xian:Xidian University,2018.)13 CHEN B W,PANG Y,LI Z Y,et al.Forest signal detection forphoton counting LiDAR u