1. 课程导入
欢迎进入《路侧感知与车端融合工程》课程。本课程面向智能网联汽车、智慧交通与自动驾驶工程实践，聚焦一个关键问题：当单车智能遇到视野遮挡、超视距感知和复杂路口博弈时，如何借助路侧感知与车端信息的融合，获得更安全、更稳定、更可解释的环境认知能力。本课程不是单纯讲算法，也不是单纯讲设备，而是把路侧感知系统、车端感知系统、通信链路、时间同步、坐标统一、融合决策与工程部署串成一条完整的工程链路。
一、学习目标：从“看得见”到“融得准、用得上”
学完本课程，你应当具备以下能力：
- 理解系统全貌：能说清路侧感知、车端感知、边缘计算、V2X通信与云端协同之间的职责边界与数据关系。
- 掌握核心方法：掌握目标检测、跟踪、标定、时间同步、空间对齐、多源融合与置信度评估的基本原理。
- 具备工程思维：能针对路口、高速、匝道、隧道等场景，设计合理的感知融合方案与部署策略。
- 能够排障复盘：面对融合结果抖动、目标丢失、时延过大、坐标错位等问题，能定位到具体环节并给出改进措施。
一句话概括课程主线：路侧“看得广”，车端“看得细”，融合“看得准”。工程目标是把广域感知与精细感知在时间和空间上对齐，形成稳定、低时延、可验证的融合结果。
二、核心概念：路侧感知与车端融合到底是什么
路侧感知是指在道路基础设施侧部署摄像头、毫米波雷达、激光雷达、边缘计算单元等设备，对道路参与者、交通事件和道路环境进行实时感知。它的优势是视角高、覆盖广、不受车端传感器遮挡限制，能够提供超视距和全局视角信息。
车端感知是指车辆自身通过摄像头、雷达、激光雷达、IMU、GNSS等传感器感知周围环境。它的优势是分辨率高、更新频率快、与车辆控制闭环紧密，但受限于视角、遮挡和单车算力。
车路融合不是简单把两边的数据叠加，而是要在统一的时间基准、空间基准和语义标准下，完成目标级、特征级或原始级的关联与融合。工程上通常关注三个核心问题：
- 时间同步：路侧与车端的时间戳是否对齐，延迟是否可补偿。
- 空间对齐：路侧坐标系与车体坐标系之间是否完成标定和转换。
- 目标关联：同一个交通参与者在两侧是否被正确匹配为同一目标。
三、整体框架：从感知到融合的工程链路
下图展示了本课程的整体技术框架。路侧感知与车端感知分别经过预处理、目标检测与跟踪后，进入融合中心；融合中心完成时间同步、空间对齐、目标关联与状态估计，最终输出给自动驾驶决策规划或交通管理平台。
四、产业背景：为什么现在必须学车路融合
从产业趋势看，单车智能已经取得显著进展，但在以下场景中仍存在明显短板：
- 遮挡场景：大型车辆、建筑物、绿化带遮挡导致车端传感器无法看到横穿行人或突然出现的车辆。
- 超视距场景：高速公路上前方数公里发生事故，单车无法提前获知。
- 路口博弈：无保护左转、行人闯红灯、非机动车混行等复杂交互，单车感知和预测难度大。
- 成本与算力：L4级以上自动驾驶对传感器和算力要求极高，路侧分担感知压力可降低车端成本。
与此同时，政策与基础设施正在加速推进。国内多个城市已开展智能网联汽车测试示范区、车路云一体化试点，路侧单元、边缘计算节点和5G/V2X网络逐步覆盖。产业界逐渐形成共识：单车智能是基础，车路协同是提升安全冗余和覆盖能力的重要路径。
| 维度 | 路侧感知 | 车端感知 | 融合后的价值 |
|---|---|---|---|
| 视角 | 高视角、广覆盖 | 第一视角、局部精细 | 全局+局部互补 |
| 遮挡能力 | 强，可越过障碍物 | 弱，易被遮挡 | 显著降低盲区风险 |
| 时延 | 受通信和边缘计算影响 | 低，闭环快 | 需时间同步与延迟补偿 |
| 成本 | 基础设施分摊 | 单车成本高 | 降低车端传感器压力 |
| 典型输出 | 路侧目标列表、事件 | 车端目标列表、定位 | 统一环境模型 |
五、案例与场景：一个典型路口融合过程
假设某城市路口部署了路侧摄像头和毫米波雷达，一辆智能网联汽车接近路口。路侧感知到一辆被公交车遮挡的横穿行人，车端此时尚未看到该行人。融合中心将路侧目标与车端目标进行关联，发现车端目标列表中缺少该行人，于是将路侧行人目标以高置信度注入融合结果，并输出给车端决策模块。车端提前减速，避免碰撞。
这个过程中涉及的关键参数包括：
路侧目标: id=RSU_1024, type=pedestrian, pos=(12.5, 3.2), v=1.1m/s, conf=0.92
车端目标: id=EGO_007, type=vehicle, pos=(8.0, 1.5), v=8.3m/s, conf=0.96
时间戳: RSU_ts=1683001200.120, EGO_ts=1683001200.135
同步误差: 15ms
融合结果: pedestrian 注入成功, TTC=2.8s, 建议减速度=-2.5m/s²工程提示：融合不是“路侧说什么车端就信什么”。需要根据目标类型、置信度、时间戳新鲜度和历史一致性进行加权决策。路侧目标在车端视野内时，应以车端为主；路侧目标在车端盲区时，可适当提高路侧权重。
六、常见误区与复盘
初学者容易陷入以下误区：
- 把融合当成简单拼接：忽略时间同步和坐标转换，导致同一目标在融合结果中出现“重影”或跳变。
- 过度信任路侧：路侧感知也有误检和漏检，尤其在雨雾、夜间和拥堵场景下，必须做置信度评估。
- 忽视通信时延：V2X消息从路侧到车端存在几十到几百毫秒延迟，必须做延迟补偿和预测。
- 只关注算法，不关注标定：路侧相机与雷达的外参标定误差会直接导致融合目标位置偏移。
复盘要点：当融合结果出现异常时，建议按“时间同步 → 空间对齐 → 目标关联 → 置信度融合 → 输出接口”的顺序逐级排查。大部分工程问题并不在融合算法本身，而在数据链路的前置环节。
本课程后续将围绕上述框架逐层展开：从路侧传感器选型与标定，到车端感知与定位，再到通信、时间同步、坐标统一、目标关联、融合滤波、测试验证与工程部署。希望你在学习过程中始终带着一个工程问题：这套融合方案在真实道路条件下，是否足够稳定、足够实时、足够安全？