★ 研祥智慧物聯科技有限公司 胡鋼，劉恩鋒

★ 廣東省工業邊緣智能創新中心有限公司 沈航

關鍵詞：車路協同；路側計算單元；邊緣計算；融合感知

1   引言

車路協同是指采用先進的無線通信（V2X通信、4G/5G網絡、DSRC等）、互聯網、云計算、高精地圖等技術，依托車載和路側的感知設備（激光雷達、高清攝像頭等）、計算設備（MEC）、環境傳感器（氣象檢測器、路面狀態檢測器、能見度儀等）及通信設備（V2X OBU、V2X RSU），全方位實施車車、車路、車人、車網動態實時信息交互及共享，并在全時空動態交通信息采集與融合的基礎上開展復雜環境感知、車輛主動安全預警控制和道路協同管理等功能應用[1,2]， 充分實現人、車、路、云的有效協同，優化交通控制管理，保證交通安全，減少交通事故，提高道路通行效率，賦能自動駕駛。

路側計算單元作為車路協同的核心，已成為國內外智慧交通領域的研究熱點，其技術架構與應用探索不斷深化。國際上，歐盟“5G CroCo”項目在德、法、西三國跨國高速部署MEC節點，驗證了基于5G的協同式碰撞避免（ACCA）服務，端到端時延低于20ms，并解決了多廠OBU互操作難題[3]；歐洲“地平線計劃”智能道路系統（IRS）在德國A9高速每500m布設毫米波雷達+激光雷達+攝像頭，通過邊緣計算融合識別12類危險事件，預警準確率達98 .2%，比傳統方案提升40%[4]。美國加州PATH中心在I-10公路示范V2X，路側單元與車載實時交互，提前2 .5s預警盲區碰撞，使追尾事故下降37%[5] ，單臺邊緣計算單元可秒級處理4000條消息，管理1000輛車的30億條數據，為城市級協同提供基礎。

近年來，國內對路側計算單元的研究，已從實驗室走向應用部署， 并在“車路云一體化”國家級戰略驅動下， 形成了從關鍵技術突破到城市級示范應用的完整鏈條。上海交通大學王亞飛教授[6] 團隊研發的“協同式路側單元精細化感知系統”， 通過自主研發激光雷達模組、創新識別算法， 實現了更寬視場、更高精度的感知能力； 國家智能網聯汽車創新中心李克強院士團[7] 隊基于路側多傳感器融合實現長距離、無盲區監測， 直線道路監測距離達200-300米， 彎道通過多設備數據共享實現無盲區覆蓋， 可為多車提供預警。

路側MEC設備是車路協同系統中的實時中樞，主要部署在靠近車輛和道路基礎設施的邊緣位置，承擔道路與車輛之間數據感知、存儲、計算、控制的重任， 為智能網聯車輛提供低延遲、高帶寬的計算和數據處理能力， MEC設備能夠實時處理來自車輛、傳感器和其它路側設備的數據， 接入云服務平臺，從而支持車路協同應用[8,9]。路側MEC設備元作為關鍵信息基礎設施， 面臨極端天氣（如暴雨、霧霾）、電磁干擾、設備長期運行的穩定性等問題，如高算力RS-ECU（>200 TOPS）功耗250–350 W，夏季機箱內溫度可達75℃,觸發GPU降頻甚至宕機，冬季-20℃以下硬盤啟動失敗等現象[10]。

本文針對車路協同路側設備對算力、環境適應性與多源數據融合的嚴苛要求， 設計一款高性能路側計算單元， 采集毫米波雷達、激光雷達以及視頻攝像頭實時感知數據， 對多傳感器融合感知進行分析建模， 對設備進行功能驗證、三維建模與典型車路協同場景測試，為車路協同應用落地提供借鑒。

2   車路協同體系架構

為滿足車路協同路側大量的數據實時交互、智能監測控制等場景應用需求， 設計高性能（強勁的AI算力）、高可靠、強擴展性的無風扇整機系統總體結構，開發應用于車路協同路側的嵌入式GPU計算設備，支持對道路車聯信息實時采集，包括車輛的位置、速度、距離和道路交通信號燈等， 基于AI算法對采集的多源數據進行融合、分析，分析后數據可傳至云平臺或網聯汽車，支撐復雜路況智能監測及車流優化，輔助駕駛員或自動駕駛系統，實現車路協同、實時感知，助力車路協同路側端智能升級。車路協同體系架構如圖1所示。

圖1 車路協同體系架構

車路云一體化應用的邊緣計算設備需要滿足如下要求 [ 11- 13]：（1）操作系統及軟硬件配置支持不同類型或者不同型號攝像頭、毫米波雷達、激光雷達、通訊設備、信號機設備接入；（2） 具備對交通感知數據、車輛及其它設施融合計算的能力，能對視頻數據、點云數據實時處理；（3） 能提供精準的時間基準與空間變換關系，保證不同傳感器之間的時間同步與空間同步；（4）支持高精度地圖與感知數據的融合處理；（5） 支持第三方應用、模型和算法的快速部署；（6）支持不同算力擴展以滿足應用需求；（7）具有數據存儲能力；（8）支持基于GNSS或PTP的時鐘同步功能，從外部時鐘同步系統獲得授時；（9）平均運行功耗低于280W， 最大功耗不高于350W，支持-20°C～+70°C的工作溫度，防護等級不低于IP65。

本文車路協同路側計算單元相比傳統工業控制設備優勢體現在以下幾個方面：（1）傳統工業控制設備算力相對有限，主要處理數據轉發和簡單邏輯判斷， 難以支撐復雜的AI算法；路側計算單元搭載GPU擴展，在算法上能夠運行復雜的深度學習模型，運行激光雷達復雜的AI感知算法；（2）通過北斗/GNSS授時（精度≤100ns）實現攝像頭、雷達、激光雷達的時空對齊，實現多源數據融合、實時AI推理和本地決策；（3）將算力優勢轉化為算法優勢，從被動接收變為主動計算（如感知融合、路徑規劃），再將結果反饋給RSU，成為車路協同中的智能大腦。

3   路側計算單元MEC設計

（1）硬件模塊設計

如圖2所示， 路側計算單元MEC由無風扇整機+GPU擴展箱組成，靈活擴展，支持2張全高全長3槽獨立GPU卡，具有強勁的AI計算能力， GPU擴展卡支持2個PCIe×16（PCIe×8信號）、2個PCIe×4，擴展卡長度≤331mm，  CPU功耗35W， GPU功耗250W；支持第十代/十一代至強酷睿處理器；支持9V至36V寬范圍直流輸入；彈性支持Wi-Fi/5G/4G/3G等通訊協定；通過高速連接器可擴展豐富IO接口，用戶可自定義接口，以滿足不同應用需求。

圖2 路側計算單元硬件模塊設計

路側計算單元MEC協議接口模塊滿足如下要求：可通過協議接口模塊實現MEC與MEC自身、其它MEC、V2X路側通信單元、雷達設備、視頻設備、可變情報板/廣義信息展示設備、信號控制機、云平臺、本機管理后臺、其他數據源信息交互；協議接口模塊發生異常時，需要通過向MEC主體程序發送錯誤報告。同時支持對組網區域內的設備進行邏輯拓撲管理，能夠實時監測設備運行狀態，快速發現異常，并在邊緣網絡范圍內完成自主閉環管理。同時，當該區域發生故障或事件時，可根據當前拓撲結構和預設處理策略，將相關信息推送至本節點對應的多接入邊緣計算（MEC）單元進行本地處置，并同步將事件上報至中心平臺進行統一協調與處理。

遠程管理，支持平臺為設備提供統一的設備模型、發放、認證、注冊鑒權、設備升級、配置、數據訂閱、命令、數據存儲歸檔服務等；支持將設備溫度、網絡連接狀態、端口流量等參數實時上報；支持軟件版本、硬件固件的自動周期性升級、被動單點式升級和版本回退；支持平臺業務系統對本地算法的加載和移除等生命周期管理；支持通過平臺業務系統進行統一授時；支持平臺業務系統對本地服務應用設置配置參數[14,15]。

（2）融合感知軟件設計

融合感知軟件采用通信中間件技術構建的分層結構的分布式架構，通過接入激光雷達、相機原始數據， 利用AI算力實現點云與圖像檢測， 并利用融合跟蹤算法將檢測目標統一映射到大地坐標系中，實現數據接入、AI檢測、融合跟蹤和外部通信等能力分層結構，同時能夠將該融合感知結果進行外發以用于數字孿生展示、車路協同等場景應用[16]。

基于深度學習算法將實時匯集的感知數據進行多源數據融合與特征提取，在對激光雷達獲取的點云數據和攝像機獲取的視頻流數據融合時，從視頻流數據和激光點云數據中分別提取出交通參與者感知信息，通過三維與二維空間坐標轉換實現厘米級空間同步和基于統一時鐘源、硬同步與軟同步結合實現毫秒級時間同步，通過目標特征映射、信息匹配關聯、數據融合修正最后輸出融合感知信息，包括每個目標的ID、長寬高、速度、方向、位置實時輸出，實現交通全要素信息精確感知和信息實時融合處理，與描述道路和基礎設施信息的靜態高精度地圖相結合[17,18]。

表1 激光雷達參數設置

表2 點云參數預處理

4   路側計算單元MEC測試驗證

通過在產業園區部署車路協同測試驗證場景，接入視頻攝像機、毫米波雷達、激光雷達，從攝像機獲取視頻流并進行視頻解碼、目標檢測、目標跟蹤、目標定位，從毫米波雷達獲取結構化數據，從激光雷達獲取點云數據或結構化數據，并進行目標融合定位和跟蹤。測試驗證流程如圖3所示，主要分三部分：

數據采集與輸入：激光雷達，提供高精度的三維點云數據，用于檢測和跟蹤車輛、行人等物體的位置、大小和運動軌跡；毫米波雷達，在前向短距（30m以內） 和中遠距（100–200m）具備良好探測能力，與攝像頭、超聲波傳感器和激光雷達形成全覆蓋探測矩陣；視頻攝像機，提供豐富的視覺信息，通過AI算法進行目標識別、分類和行為分析。

數據感知融合：路側計算單元（MEC）將來自雷達的“點云數據”和攝像機的“視頻流數據”進行標準化處理，提取出結構化的目標信息（如：  ID、類型、坐標、速度、方向等），將雷達的結構化數據與視頻的結構化數據進行時空對齊和融合，形成更可靠、更全面的融合感知結果，同時基于融合數據，自動識別交通事件（擁堵、事故、違規、弱勢交通參與者闖入等）。

數據輸出與應用：數據融合處理后流向不同的終端，（1）上傳至平臺，數據被推送至云端或中心化的管理平臺，支撐上層應用，通過大屏用于交通態勢全局監控以及基于歷史數據進行事故分析、流量預測等；（2）下發至車端，過5G OBU（車載單元）或C-V2X RSU（路側單元）， 將感知數據共享（如盲區預警）、信控狀態信息（如紅綠燈倒計時）、路徑引導建議等實時下發給車輛，實現車路協同。

圖3 車路協同測試驗證場景搭建

（1）MEC功能測試

路側計算單元MEC算力支持4路攝像頭、4路毫米波雷達及1路激光雷達同時接入，同時能夠對交通參與者、交通事件等融合感知能力，支持RJ45前兆自適應以太網口，支持1000Mbps以上網絡傳輸，攝像頭設備接入支持SDK、GB/T28281、RTSP等協議，雷達設備接入支持二進制、十六進制、JSON等格式數據傳輸， RSU設備接入支持ASN.1、JSON等格式數據傳輸。

（2）三維模型測試

將高精地圖和三維引擎相結合，實時將靜態物理環境、真實測試車輛、路側感知數據、V2X通信數據等信息在平臺進行數字化呈現，提供與真實測試場景相一致的數字化場景如圖4所示。基于數字孿生技術，接入實時全域真實場景化數字化數據、實時全域虛擬場景數字化數據并將場景效果進行實時孿生呈現。通過接入車端、路端系統的產生、運行、感知及融合計算數據，將所有動態交通要素按照時空標準在三維模型中孿生，實現現實世界在孿生平臺的毫米級復現。

圖4 三維模型測試

（3）車路協同場景測試

車路協同測試主要包括最大感知范圍、最大感知目標數、端到端響應時間、感知消息輸出頻率、定位精度、速度檢測精度、航向角檢測精度以及目標跟蹤準確率等；測試系統主要由路側感知系統、真值系統（路側感知系統輸出結果對應的第三方真值系統，比如車載真值系統或離線標注系統）以及測試數據系統組成。

真值系統以車載真值系統為主，車載真值系統性能要求應高于路側感知系統技術規格，包括時間精度、定位精度、速度和航向角等精度等，具備無線通信能力，空曠、無遮擋、無干擾條件下通信距離不小于300m，車輛數據輸出信息的頻率不低于10Hz；測試數據系統用于實時收集記錄路側感知系統產生的數據，并對數據進行格式化輸出，測試數據系統授時精度應不大于0.5ms。經過測試，目標識別機動車精準率≥90%，行人精準率≥85%，目標跟蹤精準率≥85%，輪廓尺寸檢測誤差≤1m， 速度檢測精度機動車≤2.5km/h， 行人≤3.6km/h， 定位精度≤1m， 航向角檢測精度全類別≤2.5°,感知時延≤200ms，感知消息輸出頻率≥10Hz。

行人預警                  車輛預警

交叉碰撞預警            異常車輛提醒

5   結束語

隨著人工智能、數字孿生等新一代信息技術與汽車產業加速融合， 智能網聯汽車已成為全球汽車產業發展的戰略制高點。在此進程中，路側計算單元正從傳統基礎設施向“物理-虛擬”深度融合的智能體演進， 其核心能力將體現在跨區域、動態化的資源協同調度上，通過構建統一調度平臺，智能路側單元能夠高效調配不同路口的算力資源，實現區域級計算資源的靈活復用與負載均衡，從而顯著提升資源利用率，有效降低車聯網系統的整體建設與運維成本。與此同時， 隨著AI與數據融合算法的持續深度優化，邊緣計算的處理時延有望得到大幅壓縮，低時延、高可靠的邊緣智能，將有力支撐車端、路側與云端的高效協同，推動車路云一體化系統走向成熟。

作者簡介：

胡   鋼（1989-），男，廣東深圳人，碩士，高級工程師，現就職于研祥智慧物聯科技有限公司，主要研究方向為工業控制計算機。

參考文獻：

[1] 夏寧馨. 基于C - V2X的智慧路側系統設計及應用[J]. 智能物聯技術, 2022, 5 (6) : 29 - 34, 40.

[2] 張鵬, 雷為民, 趙新蕾, 等. 跨攝像頭多目標跟蹤方法綜述[J]. 計算機學報, 2024, 47 (2) : 287 - 309.

[3]NOKIA.Car2MECProject[EB/OL].https://www.nokia.com/about-us/news/releases/2019/03/21/continental-deutsche-telekom- fraunhofer-esk-mhp-and-nokia-successfully-conclude-tests-of-connected-driving-technology-on- the-a9-digital-test-track.

[4] KOUSARIDAS A, SCHIMPE A, EULER S, et al. 5G cross - border operation for connected and automated mobility: Challenges and solutions [J]. Future Internet, 2019, 12 (1) : 5.

[5] OZKAN M F, MA Y. A predictive control design with speed previewing information for vehicle fuel efficiency improvement [C]// Proceedings of the 2020 American Control Conference. Denver: IEEE, 2020 : 2312 - 2317.

[6] 秦超, 王亞飛, 張宇超, 等. 基于極端稀疏激光點云和RGB圖像的3D目標檢測[J]. 激光與光電子學進展, 2022 (18).

[7] 李克強, 李家文, 常雪陽, 等. 智能網聯汽車云控系統原理及其典型應用[J]. 汽車安全與節能學報, 2020, 11 (3) : 261 - 275.

[8] 鮑敘言, 龔正, 李伯雄, 等. 車路協同路側感知系統的關鍵技術與測試驗證[J]. 電信科學, 2024 (12) : 30 - 37.

[9] 彭湃, 耿可可, 殷國棟, 等. 基于傳感器融合里程計的相機與激光雷達自動重標定方法[J]. 機械工程學報, 2021, 57 (20) : 206 - 214.

[10] 張毅, 姚丹亞, 李力, 等. 智能車路協同系統關鍵技術與應用[J]. 交通運輸系統工程與信息, 2021, 21 (5) : 40 - 51.

[11] 中國通信標準化協會. 車路協同路側感知系統技術要求及測試方法: YD/T 4770-2024 [S]. 北京: 中國標準出版社, 2024.

[12] 中國汽車工程學會, 國家智能網聯汽車創新中心. 車路云一體化系統建設與應用指南[R]. 北京: 中國汽車工程學會, 2024.

[13] 全國智能運輸系統標準化技術委員會. 車路協同系統智能路側協同控制設備技術要求和測試方法: GB/T 44417-2024[S]. 北京: 中國標準出版社, 2024.

[14] 楊曉光, 賴金濤, 張振, 等. 車路協同環境下的軌跡級交通控制研究綜述[J]. 中國公路學報, 2023, 36 (9) : 225 - 243.

[15] 徐志剛, 張夢, 高贏, 等. 智能車路協同系統測評方法研究進展[J]. 中國公路學報, 2025, 38 (6) : 271 - 294.

[16] YAO L, WANG Y J, MENG C Z, et al. FARFusion: A Practical Roadside Radar - Camera Fusion System for Far-Range Perception[J]. IEEE Robotics and Automation Letters, 2024, 9 (6) : 5433 - 5440.

[17] 牛國臣. 基于雙流特征提取的車路協同感知方法[J]. 上海交通大學學報, 2024, 58 (11) : 1826 - 1834.

[18] 仝秋紅, 曹揚, 柴國慶, 等. 車路協同信息融合的智能汽車行駛狀態模糊評判[J]. 中國公路學報, 2022, 35 (6) : 254 - 264.

摘自《自動化博覽》2026年4月刊