本课题围绕道路可视性展开，利用高精度激光扫描点云数据，开发了新的道路可视性计算与评价算法模型，在计算的效率与动态展示上取得较为创新的成果，在国际上具有一定的影响力。

研究亮点/成果：

（1）针对传统的基于激光点云进行公路视距及可视性评价中数字地面模型不能精确代表原始道路环境的缺点，创新地构建了结合柱面透视投影与修正Delaunay三角化的算法，实现了在精确评价公路视距参数的同时，输出驾驶员在虚拟点云环境中的动态视觉。

（2）在领域中首次将神经网络模型应用于公路视距计算，利用上述研究成果建立训练集后，构建了自动判别单点可视性的浅层神经网络，并结合并行计算成功将其部署于公路视距评价中，显著提升了道路视距计算的效率，可以应用于高密度的点云计算中。

（3）在领域内首次构建模拟超车过程的驾驶员动态可视性评价方法，将视距评价与超车过程的运动模型相结合，探究了不同超车参数条件下超车驾驶员视距条件的变化规律。

（4）在领域中首次成功建立了面向道路可视性评价的深度卷积神经网络模型，实现了复杂点云环境内驾驶员可视域快速化建模，在硬件条件一致的情况下，比现有的state-of-the-art方法速度快到40倍左右，并且提出了新的道路可视性图形评价方法，可协助快速化定位城市道路中视线不良区域。

应用前景：

（1）在公路场景，可以利用建立的模型结合测绘数据进行快速化的视距评价，及时发现道路纵向不能满足安全驾驶视线需求的地点；

（2）在城市道路场景，可以部署已经训练完成的深度学习模型，对城市交叉口区域内影响驾驶员视线的障碍物进行定量分析，对非机动车行驶区域内可能的视线盲区跟黑点位置进行快速化定位与排查。

（3）对于动态超车视距的阶段性成果，可以将其应用于公路超车区域的优化设置，提升道路超车运营区域的安全性。