1. 课程导入
车路协同信号灯与路侧感知工程，是智能交通从“单车智能”走向“系统智能”的关键落地环节。它要解决的核心问题不是让某一辆车更聪明，而是让路口这一交通冲突最集中的节点具备“看得见、算得清、传得快、控得准”的能力。本课程围绕信号灯控制、路侧感知、边缘计算、车路通信与工程实施五条主线展开，帮助你建立从设备到系统、从算法到场景的完整认知。
一、学习目标：从“会装设备”到“会做系统”
本课程的学习目标分为四个层次。第一层是认知层，理解车路协同（V2X）的基本概念、信号灯相位与配时逻辑、路侧感知的传感器构成。第二层是方法层，掌握感知融合、目标跟踪、信号优化、通信时延分析等核心方法。第三层是工程层，能够完成路侧单元布设、标定、联调与验收。第四层是应用层，能够针对交叉口、匝道、公交优先、弱势交通参与者保护等场景设计解决方案。
核心能力公式：车路协同信号灯效果 = 感知精度 × 通信可靠性 × 控制策略 × 工程标定质量。任何一项短板都会直接拉低整体收益。
二、核心概念：五个必须建立的关键词
- 路侧感知：由摄像头、毫米波雷达、激光雷达等组成，负责检测车辆、行人、非机动车的位置、速度与轨迹。
- 边缘计算：在路侧就近完成数据融合与决策，降低回传时延，典型时延要求为50～200毫秒。
- 车路通信：包括PC5直连与Uu蜂窝两种模式，承载BSM、SPaT、MAP、RSI等消息。
- 信号灯控制：从固定配时走向感应控制、自适应控制与车路协同优先控制。
- 数字孪生路口：把物理路口的感知、信号、通信状态映射到统一数据底座，用于监控与复盘。
三、整体框架：四层架构与数据流
车路协同信号灯系统通常采用“感知层—边缘层—平台层—应用层”四层架构。感知层负责采集原始数据；边缘层完成融合、跟踪与本地决策；平台层负责全局调度、数据存储与算法训练；应用层面向交管、公交、出行者提供信号优化、优先通行与安全预警服务。下图展示了这一架构与关键数据流。
四、行业应用全景与典型场景
车路协同信号灯的应用已经从示范走向规模化。典型场景包括：城市交叉口自适应信号控制、公交信号优先、紧急车辆优先通行、匝道汇入协同、行人过街安全预警、施工区动态限速等。不同场景对感知精度、通信时延和控制策略的要求差异明显，工程上需要按场景选型，而不是一套配置打天下。
| 应用场景 | 感知重点 | 通信时延要求 | 控制策略 |
|---|---|---|---|
| 交叉口自适应控制 | 全向车辆排队长度 | ≤200ms | 感应+自适应配时 |
| 公交信号优先 | 公交位置与准点率 | ≤150ms | 绿灯延长/红灯早断 |
| 紧急车辆优先 | 车辆身份与路径 | ≤100ms | 相位强制切换 |
| 行人过街预警 | 行人轨迹与意图 | ≤200ms | 延长绿灯/语音提示 |
| 匝道汇入协同 | 主路与匝道车速 | ≤100ms | 匝道调节+车速引导 |
五、常见误区与工程复盘
误区一：只关注单车智能，忽视路口整体效率。误区二：把感知精度当成唯一指标，忽略标定与时间同步。误区三：通信时延未纳入控制闭环，导致“算得准但控不准”。误区四：缺少数字孪生与复盘数据，问题无法定位。
工程复盘时，建议按“感知—通信—控制—效果”四段排查。先看感知是否漏检、误检，再看通信是否丢包、时延抖动，然后检查控制策略是否与相位冲突，最后用排队长度、停车次数、通行量等指标验证效果。下面是一段典型的边缘节点配置片段，用于说明关键参数如何落地。
edge_node:
sensor_fusion: true
sync_mode: PTP
max_latency_ms: 150
v2x:
mode: PC5
bsm_interval_ms: 100
spat_interval_ms: 100
signal_control:
strategy: adaptive
min_green_s: 15
max_green_s: 60