★ 研祥智慧物联科技有限公司 胡钢，刘恩锋

★ 广东省工业边缘智能创新中心有限公司 沈航

关键词：车路协同；路侧计算单元；边缘计算；融合感知

1   引言

车路协同是指采用先进的无线通信（V2X通信、4G/5G网络、DSRC等）、互联网、云计算、高精地图等技术，依托车载和路侧的感知设备（激光雷达、高清摄像头等）、计算设备（MEC）、环境传感器（气象检测器、路面状态检测器、能见度仪等）及通信设备（V2X OBU、V2X RSU），全方位实施车车、车路、车人、车网动态实时信息交互及共享，并在全时空动态交通信息采集与融合的基础上开展复杂环境感知、车辆主动安全预警控制和道路协同管理等功能应用[1,2]， 充分实现人、车、路、云的有效协同，优化交通控制管理，保证交通安全，减少交通事故，提高道路通行效率，赋能自动驾驶。

路侧计算单元作为车路协同的核心，已成为国内外智慧交通领域的研究热点，其技术架构与应用探索不断深化。国际上，欧盟“5G CroCo”项目在德、法、西三国跨国高速部署MEC节点，验证了基于5G的协同式碰撞避免（ACCA）服务，端到端时延低于20ms，并解决了多厂OBU互操作难题[3]；欧洲“地平线计划”智能道路系统（IRS）在德国A9高速每500m布设毫米波雷达+激光雷达+摄像头，通过边缘计算融合识别12类危险事件，预警准确率达98 .2%，比传统方案提升40%[4]。美国加州PATH中心在I-10公路示范V2X，路侧单元与车载实时交互，提前2 .5s预警盲区碰撞，使追尾事故下降37%[5] ，单台边缘计算单元可秒级处理4000条消息，管理1000辆车的30亿条数据，为城市级协同提供基础。

近年来，国内对路侧计算单元的研究，已从实验室走向应用部署， 并在“车路云一体化”国家级战略驱动下， 形成了从关键技术突破到城市级示范应用的完整链条。上海交通大学王亚飞教授[6] 团队研发的“协同式路侧单元精细化感知系统”， 通过自主研发激光雷达模组、创新识别算法， 实现了更宽视场、更高精度的感知能力； 国家智能网联汽车创新中心李克强院士团[7] 队基于路侧多传感器融合实现长距离、无盲区监测， 直线道路监测距离达200-300米， 弯道通过多设备数据共享实现无盲区覆盖， 可为多车提供预警。

路侧MEC设备是车路协同系统中的实时中枢，主要部署在靠近车辆和道路基础设施的边缘位置，承担道路与车辆之间数据感知、存储、计算、控制的重任， 为智能网联车辆提供低延迟、高带宽的计算和数据处理能力， MEC设备能够实时处理来自车辆、传感器和其它路侧设备的数据， 接入云服务平台，从而支持车路协同应用[8,9]。路侧MEC设备元作为关键信息基础设施， 面临极端天气（如暴雨、雾霾）、电磁干扰、设备长期运行的稳定性等问题，如高算力RS-ECU（>200 TOPS）功耗250–350 W，夏季机箱内温度可达75℃,触发GPU降频甚至宕机，冬季-20℃以下硬盘启动失败等现象[10]。

本文针对车路协同路侧设备对算力、环境适应性与多源数据融合的严苛要求， 设计一款高性能路侧计算单元， 采集毫米波雷达、激光雷达以及视频摄像头实时感知数据， 对多传感器融合感知进行分析建模， 对设备进行功能验证、三维建模与典型车路协同场景测试，为车路协同应用落地提供借鉴。

2   车路协同体系架构

为满足车路协同路侧大量的数据实时交互、智能监测控制等场景应用需求， 设计高性能（强劲的AI算力）、高可靠、强扩展性的无风扇整机系统总体结构，开发应用于车路协同路侧的嵌入式GPU计算设备，支持对道路车联信息实时采集，包括车辆的位置、速度、距离和道路交通信号灯等， 基于AI算法对采集的多源数据进行融合、分析，分析后数据可传至云平台或网联汽车，支撑复杂路况智能监测及车流优化，辅助驾驶员或自动驾驶系统，实现车路协同、实时感知，助力车路协同路侧端智能升级。车路协同体系架构如图1所示。

图1 车路协同体系架构

车路云一体化应用的边缘计算设备需要满足如下要求 [ 11- 13]：（1）操作系统及软硬件配置支持不同类型或者不同型号摄像头、毫米波雷达、激光雷达、通讯设备、信号机设备接入；（2） 具备对交通感知数据、车辆及其它设施融合计算的能力，能对视频数据、点云数据实时处理；（3） 能提供精准的时间基准与空间变换关系，保证不同传感器之间的时间同步与空间同步；（4）支持高精度地图与感知数据的融合处理；（5） 支持第三方应用、模型和算法的快速部署；（6）支持不同算力扩展以满足应用需求；（7）具有数据存储能力；（8）支持基于GNSS或PTP的时钟同步功能，从外部时钟同步系统获得授时；（9）平均运行功耗低于280W， 最大功耗不高于350W，支持-20°C～+70°C的工作温度，防护等级不低于IP65。

本文车路协同路侧计算单元相比传统工业控制设备优势体现在以下几个方面：（1）传统工业控制设备算力相对有限，主要处理数据转发和简单逻辑判断， 难以支撑复杂的AI算法；路侧计算单元搭载GPU扩展，在算法上能够运行复杂的深度学习模型，运行激光雷达复杂的AI感知算法；（2）通过北斗/GNSS授时（精度≤100ns）实现摄像头、雷达、激光雷达的时空对齐，实现多源数据融合、实时AI推理和本地决策；（3）将算力优势转化为算法优势，从被动接收变为主动计算（如感知融合、路径规划），再将结果反馈给RSU，成为车路协同中的智能大脑。

3   路侧计算单元MEC设计

（1）硬件模块设计

如图2所示， 路侧计算单元MEC由无风扇整机+GPU扩展箱组成，灵活扩展，支持2张全高全长3槽独立GPU卡，具有强劲的AI计算能力， GPU扩展卡支持2个PCIe×16（PCIe×8信号）、2个PCIe×4，扩展卡长度≤331mm，  CPU功耗35W， GPU功耗250W；支持第十代/十一代至强酷睿处理器；支持9V至36V宽范围直流输入；弹性支持Wi-Fi/5G/4G/3G等通讯协定；通过高速连接器可扩展丰富IO接口，用户可自定义接口，以满足不同应用需求。

图2 路侧计算单元硬件模块设计

路侧计算单元MEC协议接口模块满足如下要求：可通过协议接口模块实现MEC与MEC自身、其它MEC、V2X路侧通信单元、雷达设备、视频设备、可变情报板/广义信息展示设备、信号控制机、云平台、本机管理后台、其他数据源信息交互；协议接口模块发生异常时，需要通过向MEC主体程序发送错误报告。同时支持对组网区域内的设备进行逻辑拓扑管理，能够实时监测设备运行状态，快速发现异常，并在边缘网络范围内完成自主闭环管理。同时，当该区域发生故障或事件时，可根据当前拓扑结构和预设处理策略，将相关信息推送至本节点对应的多接入边缘计算（MEC）单元进行本地处置，并同步将事件上报至中心平台进行统一协调与处理。

远程管理，支持平台为设备提供统一的设备模型、发放、认证、注册鉴权、设备升级、配置、数据订阅、命令、数据存储归档服务等；支持将设备温度、网络连接状态、端口流量等参数实时上报；支持软件版本、硬件固件的自动周期性升级、被动单点式升级和版本回退；支持平台业务系统对本地算法的加载和移除等生命周期管理；支持通过平台业务系统进行统一授时；支持平台业务系统对本地服务应用设置配置参数[14,15]。

（2）融合感知软件设计

融合感知软件采用通信中间件技术构建的分层结构的分布式架构，通过接入激光雷达、相机原始数据， 利用AI算力实现点云与图像检测， 并利用融合跟踪算法将检测目标统一映射到大地坐标系中，实现数据接入、AI检测、融合跟踪和外部通信等能力分层结构，同时能够将该融合感知结果进行外发以用于数字孪生展示、车路协同等场景应用[16]。

基于深度学习算法将实时汇集的感知数据进行多源数据融合与特征提取，在对激光雷达获取的点云数据和摄像机获取的视频流数据融合时，从视频流数据和激光点云数据中分别提取出交通参与者感知信息，通过三维与二维空间坐标转换实现厘米级空间同步和基于统一时钟源、硬同步与软同步结合实现毫秒级时间同步，通过目标特征映射、信息匹配关联、数据融合修正最后输出融合感知信息，包括每个目标的ID、长宽高、速度、方向、位置实时输出，实现交通全要素信息精确感知和信息实时融合处理，与描述道路和基础设施信息的静态高精度地图相结合[17,18]。

表1 激光雷达参数设置

表2 点云参数预处理

4   路侧计算单元MEC测试验证

通过在产业园区部署车路协同测试验证场景，接入视频摄像机、毫米波雷达、激光雷达，从摄像机获取视频流并进行视频解码、目标检测、目标跟踪、目标定位，从毫米波雷达获取结构化数据，从激光雷达获取点云数据或结构化数据，并进行目标融合定位和跟踪。测试验证流程如图3所示，主要分三部分：

数据采集与输入：激光雷达，提供高精度的三维点云数据，用于检测和跟踪车辆、行人等物体的位置、大小和运动轨迹；毫米波雷达，在前向短距（30m以内） 和中远距（100–200m）具备良好探测能力，与摄像头、超声波传感器和激光雷达形成全覆盖探测矩阵；视频摄像机，提供丰富的视觉信息，通过AI算法进行目标识别、分类和行为分析。

数据感知融合：路侧计算单元（MEC）将来自雷达的“点云数据”和摄像机的“视频流数据”进行标准化处理，提取出结构化的目标信息（如：  ID、类型、坐标、速度、方向等），将雷达的结构化数据与视频的结构化数据进行时空对齐和融合，形成更可靠、更全面的融合感知结果，同时基于融合数据，自动识别交通事件（拥堵、事故、违规、弱势交通参与者闯入等）。

数据输出与应用：数据融合处理后流向不同的终端，（1）上传至平台，数据被推送至云端或中心化的管理平台，支撑上层应用，通过大屏用于交通态势全局监控以及基于历史数据进行事故分析、流量预测等；（2）下发至车端，过5G OBU（车载单元）或C-V2X RSU（路侧单元）， 将感知数据共享（如盲区预警）、信控状态信息（如红绿灯倒计时）、路径引导建议等实时下发给车辆，实现车路协同。

图3 车路协同测试验证场景搭建

（1）MEC功能测试

路侧计算单元MEC算力支持4路摄像头、4路毫米波雷达及1路激光雷达同时接入，同时能够对交通参与者、交通事件等融合感知能力，支持RJ45前兆自适应以太网口，支持1000Mbps以上网络传输，摄像头设备接入支持SDK、GB/T28281、RTSP等协议，雷达设备接入支持二进制、十六进制、JSON等格式数据传输， RSU设备接入支持ASN.1、JSON等格式数据传输。

（2）三维模型测试

将高精地图和三维引擎相结合，实时将静态物理环境、真实测试车辆、路侧感知数据、V2X通信数据等信息在平台进行数字化呈现，提供与真实测试场景相一致的数字化场景如图4所示。基于数字孪生技术，接入实时全域真实场景化数字化数据、实时全域虚拟场景数字化数据并将场景效果进行实时孪生呈现。通过接入车端、路端系统的产生、运行、感知及融合计算数据，将所有动态交通要素按照时空标准在三维模型中孪生，实现现实世界在孪生平台的毫米级复现。

图4 三维模型测试

（3）车路协同场景测试

车路协同测试主要包括最大感知范围、最大感知目标数、端到端响应时间、感知消息输出频率、定位精度、速度检测精度、航向角检测精度以及目标跟踪准确率等；测试系统主要由路侧感知系统、真值系统（路侧感知系统输出结果对应的第三方真值系统，比如车载真值系统或离线标注系统）以及测试数据系统组成。

真值系统以车载真值系统为主，车载真值系统性能要求应高于路侧感知系统技术规格，包括时间精度、定位精度、速度和航向角等精度等，具备无线通信能力，空旷、无遮挡、无干扰条件下通信距离不小于300m，车辆数据输出信息的频率不低于10Hz；测试数据系统用于实时收集记录路侧感知系统产生的数据，并对数据进行格式化输出，测试数据系统授时精度应不大于0.5ms。经过测试，目标识别机动车精准率≥90%，行人精准率≥85%，目标跟踪精准率≥85%，轮廓尺寸检测误差≤1m， 速度检测精度机动车≤2.5km/h， 行人≤3.6km/h， 定位精度≤1m， 航向角检测精度全类别≤2.5°,感知时延≤200ms，感知消息输出频率≥10Hz。

行人预警                  车辆预警

交叉碰撞预警            异常车辆提醒

5   结束语

随着人工智能、数字孪生等新一代信息技术与汽车产业加速融合， 智能网联汽车已成为全球汽车产业发展的战略制高点。在此进程中，路侧计算单元正从传统基础设施向“物理-虚拟”深度融合的智能体演进， 其核心能力将体现在跨区域、动态化的资源协同调度上，通过构建统一调度平台，智能路侧单元能够高效调配不同路口的算力资源，实现区域级计算资源的灵活复用与负载均衡，从而显著提升资源利用率，有效降低车联网系统的整体建设与运维成本。与此同时， 随着AI与数据融合算法的持续深度优化，边缘计算的处理时延有望得到大幅压缩，低时延、高可靠的边缘智能，将有力支撑车端、路侧与云端的高效协同，推动车路云一体化系统走向成熟。

作者简介：

胡   钢（1989-），男，广东深圳人，硕士，高级工程师，现就职于研祥智慧物联科技有限公司，主要研究方向为工业控制计算机。

参考文献：

[1] 夏宁馨. 基于C - V2X的智慧路侧系统设计及应用[J]. 智能物联技术, 2022, 5 (6) : 29 - 34, 40.

[2] 张鹏, 雷为民, 赵新蕾, 等. 跨摄像头多目标跟踪方法综述[J]. 计算机学报, 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, 王亚飞, 张宇超, 等. 基于极端稀疏激光点云和RGB图像的3D目标检测[J]. 激光与光电子学进展, 2022 (18).

[7] 李克强, 李家文, 常雪阳, 等. 智能网联汽车云控系统原理及其典型应用[J]. 汽车安全与节能学报, 2020, 11 (3) : 261 - 275.

[8] 鲍叙言, 龚正, 李伯雄, 等. 车路协同路侧感知系统的关键技术与测试验证[J]. 电信科学, 2024 (12) : 30 - 37.

[9] 彭湃, 耿可可, 殷国栋, 等. 基于传感器融合里程计的相机与激光雷达自动重标定方法[J]. 机械工程学报, 2021, 57 (20) : 206 - 214.

[10] 张毅, 姚丹亚, 李力, 等. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21 (5) : 40 - 51.

[11] 中国通信标准化协会. 车路协同路侧感知系统技术要求及测试方法: YD/T 4770-2024 [S]. 北京: 中国标准出版社, 2024.

[12] 中国汽车工程学会, 国家智能网联汽车创新中心. 车路云一体化系统建设与应用指南[R]. 北京: 中国汽车工程学会, 2024.

[13] 全国智能运输系统标准化技术委员会. 车路协同系统智能路侧协同控制设备技术要求和测试方法: GB/T 44417-2024[S]. 北京: 中国标准出版社, 2024.

[14] 杨晓光, 赖金涛, 张振, 等. 车路协同环境下的轨迹级交通控制研究综述[J]. 中国公路学报, 2023, 36 (9) : 225 - 243.

[15] 徐志刚, 张梦, 高赢, 等. 智能车路协同系统测评方法研究进展[J]. 中国公路学报, 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] 牛国臣. 基于双流特征提取的车路协同感知方法[J]. 上海交通大学学报, 2024, 58 (11) : 1826 - 1834.

[18] 仝秋红, 曹扬, 柴国庆, 等. 车路协同信息融合的智能汽车行驶状态模糊评判[J]. 中国公路学报, 2022, 35 (6) : 254 - 264.

摘自《自动化博览》2026年4月刊