同济大学城市交通研究院联合测绘与地理信息学院时空智能感知实验室，聚焦国家低空经济发展战略与城市交通智能化转型需求，依托多学科交叉优势，持续推进人工智能、地理信息科学与交通工程的深度融合，在低空经济与应急测绘、基础设施智能运维、城市动态交通预测等前沿方向取得一系列学术成果。

刘春教授团队联合交通学院赵鸿铎教授团队，面向应急测绘与关键基础设施快速评估场景，成功研发端到端低空无人机实时正射制图系统ARTEMIS，打通了从航摄影像快速采集到地理空间专题情报高效生成的全流程。在地质、水文、气象等多灾种真实数据集上完成系统性验证，为大型关键交通基础设施的快速评估与维护提供了重要支撑。

黄炜教授团队协同交通学院肖军华教授、严宇教授、中德工程学院郭为安副教授，构建轨道交通数字孪生智能运维平台，推动人工智能赋能轨道交通基础设施全生命周期智能管理；联合复旦大学计算与智能创新学院团队，探索大语言模型与多源数据在时空预测领域的协同建模，显著提升突发事件下的交通流量预测精度。

论文1：

题目：ARTEMIS: A real-time efficient ortho-mapping and thematic identification system for UAV-based rapid response

作者：刘奕君，艾克然木·艾克拜尔，余婷等

期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》

获取链接：

https://www.sciencedirect.com/science/article/abs/pii/S0924271625003375

主要内容：

面向低空经济典型场景的应用，团队提出了一种名为ARTEMIS的低空无人机实时正射制图与专题识别系统。该系统采用以CPU为核心的设计，集成了三大创新技术：其一，提出了投影误差引导的窗口搜索策略，有效约束了特征搜索空间，在保障匹配鲁棒性的同时提升了计算效率，克服了轻量化特征在标准航测数据上的实时空三解算失效；其二，设计了一种轻量匹配置信度加权的光束法平差方法，提升了定位精度，解耦了对于稳定GPS的强依赖，增强了灾后信号退化环境下的韧性；其三，构建了一套集成先进深度学习模型的端到端工作流，实现了从数字正射地图生成到关键兴趣目标的自动识别，直接输出支撑决策的可信专题地图。

实验结果显示，在稀疏重建阶段，ARTEMIS比主流方法快高达58倍；在地图生成阶段，较商业解决方案快高达22倍，并保持了优于0.5米的绝对精度。在目标检测F1分数、语义分割mIoU等关键指标上，系统解译结果与离线处理成果相当，展示了其在应急响应任务中的可靠性与巨大应用潜力。

论文2：

题目：A WebGIS-based digital twin platform for intelligent operation and maintenance of rail transit infrastructure

作者：许一帆，黄炜，肖军华等

期刊：《Expert Systems with Applications》

获取链接：

https://www.sciencedirect.com/science/article/abs/pii/S0957417425027964

主要内容：

在城市化进程与对高效公共交通需求日益增长的背景下，轨道交通作为城市运行的“大动脉”，其安全、高效、智能化的运维管理已成为全球性挑战。传统的“被动式、反应式”运维模式已难以满足现代轨道交通网络的复杂需求，亟需向“主动式、预测性”的智能化运维转型。研究根据轨道交通的日常运营维护特点，基于数字孪生概念（Digital Twin）提出了一套完整的运维系统架构，涵盖物理孪生体（Physical Twin）,建模和映射（Modeling & Mapping）,数据层（Data）, 分析服务层（Analytical service）和应用层（Application service）。

通过对物理实体的建模、映射和编码，为数字孪生体与物理孪生体之间建立起一套高效的信息交互机制。基于真实的传感器数据和车路耦合动力学的仿真模型计算结果，建立面向轨道结构的缺陷特征数据库，为后续AI模型训练提供了高质量、高可信度的数据支撑。在分析服务层，开发了多种深度学习分类模型，对轨道板振动加速度信号进行时序分析。最后开发了交互系统前端，设计了病害预测和智能自主决策接口，建立起具有可视化、病害识别和决策支持等一系列应用服务功能的轨道交通基础设施的数字孪生体。

论文3：

题目：SeMob: Semantic Synthesis for Dynamic Urban Mobility Prediction

作者：陈润飞，黄炜等

会议：Empirical Methods in Natural Language Processing (EMNLP) 2025

EMNLP是自然语言处理领域的国际顶会，由国际语言学会（ACL）的SIGDAT小组主办，在相关领域享有较高的学术声誉与影响力。其涉及领域包括但不限于机器翻译、文本生成、文本分类、信息抽取、问答系统、语言模型等研究方向。

主要内容：

交通流量预测对于城市服务至关重要，但现有方法在应对由外部事件引起的突发性变化时常常表现不佳。尽管时空模型在捕捉常规模式方面表现出色，但它们难以有效利用描述这些事件的文本信息，从而无法适应动态的城市交通。为解决这一挑战，团队提出了一种名为SeMob的动态城市交通预测语义合成新方法。

具体而言，SeMob采用一个由大型语言模型驱动的多智能体框架，该框架能够自动从复杂的在线文本中提取与时空相关的事件信息并进行推理。随后，通过创新的渐进式融合架构，将这些精细化的相关情境与时空数据相结合。这种方法利用了预训练模型中丰富的事件先验知识，为事件驱动的预测提供了更深刻的见解，从而生成了更为精准的预测模型。SeMob框架能够有效降低预测误差，尤其是在时空上邻近事件发生的区域，展现出显著的优越性。