一、导师简介
Edward Chin Shin Chung，现任香港理工大学电子计算学系教授，同时担任智能交通系统、RAIoT、SCRI及PolyU Academy for Interdisciplinary Research核心成员。ORCID记录显示，其学术生涯始于1992年，在莫纳什大学先后获得工学学士学位与博士学位。截至2025年，h-index达到31，累计发表169项研究产出，涵盖期刊论文、会议报告及专利，其中2025年度已发表9篇高水平论文。
二、近期文章和项目解析
（一）自动驾驶与车路协同研究
2025年发表于IEEE Transactions on Mobile Computing的论文提出一种CAV Cooperative Lane Change Protocol。该协议在专用高速公路上实现车辆编队协同换道，采用Constant Time Headway (CTH)安全保证机制。研究团队通过构建分布式决策框架，使网联自动驾驶车辆能够实时交换意图信息并同步执行换道动作。实验数据显示，该协议将换道冲突率降低至传统方法的三分之一，同时将道路通行效率提升约18%。
同期在IEEE Transactions on Intelligent Transportation Systems发表的Dynamic High-Order Control Barrier Functions With Diffuser for Safety-Critical Trajectory Planning，聚焦于无信号交叉口的安全路径规划。研究引入高阶控制障碍函数与扩散模型结合的方法，处理动态交通参与者的不确定性。通过将行人、非机动车等弱势交通参与者的运动轨迹建模为概率分布，系统能够实时生成满足安全约束的行驶路径。模拟测试表明，该方法在复杂交叉口场景下将碰撞风险降低了42%。
（二）交通流量预测与数据融合
2024年Computer-Aided Civil and Infrastructure Engineering刊载的Feature Extraction and Deep Learning Approach for Network Traffic Volume Prediction，针对检测器失效场景提出鲁棒性预测模型。研究采用多源数据融合策略，在6%检测器故障率下，交通速度预测的平均绝对误差(MAE)仅增加0.17 km/h，均方根误差(RMSE)增加0.23 km/h。该模型通过引入邻近检测器的时空相关性，在单点失效时仍能保持96%以上的预测精度。目前该成果已在香港部分快速路段部署试点。
2025年的Origin–destination Prediction via Knowledge-enhanced Hybrid Learning进一步拓展了交通需求预测边界。研究构建知识增强的混合学习框架，整合图神经网络(Graph Neural Network)与时空注意力机制。与基线模型相比，该方法在15分钟预测窗口内将RMSE降低34.7%，在45分钟预测窗口内降低36.9%。模型能够捕捉长程空间依赖，解决了传统图神经网络在远程节点间信息传递时的过度平滑问题。
（三）电动车能源管理优化
Interpretable Deep Reinforcement Learning With Imitative Expert Experience for Smart Charging of Electric Vehicles（2025年IEEE Transactions on Power Systems）提出可解释的电动车智能充电策略。研究创新点在于将模仿学习融入深度强化学习框架，使模型能够从历史调度数据中提取专家经验。实验采用香港实际充电站运行数据，结果显示该策略在降低充电成本的同时，将电网负荷波动减少27%。模型通过注意力权重可视化，清晰展示充电决策依据，解决了传统强化学习"黑箱"问题。
Real-Time Planning of Route, Speed, and Charging for Electric Delivery Vehicles（2025年IEEE Transactions on Transportation Electrification）针对电动物流车提出一体化规划方案。研究将路径选择、车速控制与充电调度建模为联合优化问题，采用双深度Q网络(DDQN)求解。在香港复杂路网测试中，该方案相比传统三段式规划方法，配送效率提升12%，电量消耗降低8.5%，充电等待时间减少31分钟。
（四）交通安全与状态估计
2025年IEEE Transactions on Intelligent Transportation Systems发表的Recent Estimation Techniques of Vehicle-Road-Pedestrian States for Traffic Safety: Comprehensive Review and Future Perspectives，系统梳理了车辆-道路-行人状态估计技术。综述指出，传统卡尔曼滤波在处理非线性动力学时存在局限，而新兴的深度学习方法在复杂场景下展现出优势。论文提出分层估计框架，将宏观交通流状态与微观个体行为解耦处理，为混合交通环境安全评估提供新思路。
Diffusion-Driven Hybrid Unknown Input Observer for Vehicle Dynamics Estimation（2025年IEEE Transactions on Industrial Electronics）采用扩散模型处理车辆动力学中的未知输入。研究将轮胎力、侧风等不可测扰动视为隐变量，通过生成式模型进行推断。实车测试表明，该方法对侧向加速度的估计误差控制在0.08g以内，显著优于传统观测器。此类技术为下一代车辆稳定性控制系统提供理论支撑。
三、未来研究预测
从技术演进路径观察，Chung教授团队在三个方向具备持续深耕潜力：
其一，多模态交通数据融合将向细粒度发展。当前研究主要依赖固定检测器与浮动车数据，未来可能整合视频图像、激光雷达点云及手机信令等多源异构数据。特别是在低渗透率网联车辆条件下，如何利用少量观测数据推断全网状态，将成为关键科学问题。知识图谱与基础模型(Foundation Model)的结合，可能为跨城市场景迁移学习提供解决方案。
其二，车路协同控制从单车智能向群体智能过渡。现有协议多假设高渗透率网联环境，实际部署中面临混合交通流挑战。研究可能转向"人机混驾"场景下的鲁棒协同控制，考虑人类驾驶员行为异质性与不确定性。区块链技术在信任机制构建中的应用，以及联邦学习在隐私保护下的协同优化，或成为新的技术切入点。
其三，能源与交通系统耦合优化将从单一充电调度扩展至"源网荷储"一体化。随着可再生能源渗透率提升，电动车作为移动储能单元的价值凸显。研究可能探索分布式能源交易机制、V2G(Vehicle-to-Grid)互动策略及碳中和路径下的交通能源系统规划。氢燃料电池车等新兴载运工具的加入，将使优化问题更加复杂多元。
【竞赛报名/项目咨询+微信：mollywei007】
