2. 基础知识

在进入路侧感知与车端融合的工程实践之前，需要先建立一套共同的“语言体系”。智能交通系统（ITS）、车路协同（V2X）、自动驾驶分级（L0–L5）与感知融合（Sensor Fusion）并不是彼此孤立的概念，它们分别回答“交通系统如何智能化”“车与路如何交换信息”“车辆能承担多少驾驶责任”“多源感知如何形成统一认知”这四个问题。理解它们之间的层次关系，是后续设计路侧单元、边缘计算节点与车端融合模块的前提。

一、核心概念与层次关系

智能交通系统（ITS）是把通信、控制、传感与计算技术嵌入道路与车辆，以提升安全、效率与能耗表现的总体框架。它包含交通管理、出行服务、电子收费、紧急救援等子系统。车路协同（V2X）是 ITS 的关键使能技术，涵盖 V2V（车–车）、V2I（车–路）、V2P（车–人）、V2N（车–网）四类通信，核心价值在于把“单车视野”扩展为“全局视野”。自动驾驶分级由 SAE J3016 定义，从 L0 到 L5 描述动态驾驶任务（DDT）的分配方式。感知融合则是把摄像头、毫米波雷达、激光雷达、路侧感知等多源数据在时间与空间上对齐，输出统一的目标列表与置信度。

二、自动驾驶分级：责任边界比技术能力更重要

SAE 分级的关键不在“车能做什么”，而在“谁负责”。L0–L2 由人类驾驶员持续监控环境并承担全部责任；L3 在特定设计运行域（ODD）内由系统执行 DDT，但人类需在请求时接管；L4 在 ODD 内系统可独立完成并达到最小风险状态；L5 则无 ODD 限制。工程上常把 L2+ 与 L3 混用，但二者在接管请求、责任归属与冗余设计上差异巨大。

三、感知融合的基本术语与数据流

感知融合的常见术语包括：时间同步（把不同传感器的时间戳对齐到统一时钟）、空间标定（外参把各传感器坐标系统一到车体或世界坐标）、目标级融合（各传感器先各自检测再关联）与特征级/数据级融合（在更早阶段合并原始数据）。路侧感知与车端融合时，还需处理坐标系转换（路侧 ENU 到车体坐标）、时延补偿（V2X 消息的传输与处理延迟）与置信度融合（多源证据的加权）。

# 典型融合处理链（伪代码）
for frame in stream:
    cam = camera.detect(frame)          # 图像目标
    rad = radar.detect(frame)           # 雷达点迹
    lid = lidar.detect(frame)           # 点云聚类
    rsu = v2x.receive()                 # 路侧目标列表
    t   = align_time([cam, rad, lid, rsu])   # 时间同步
    s   = transform_to_ego(t)                # 空间标定
    fused = associate_and_fuse(s)            # 关联 + 置信度融合
    publish(fused)                           # 输出统一目标列表

四、典型应用场景与常见误区

在城市路口，路侧 RSU 与摄像头、雷达协同，可提前向车辆推送被遮挡的行人与非机动车，弥补单车视野盲区；在高速公路，V2V 与路侧事件信息用于编队行驶与异常车辆预警；在园区与港口，L4 无人车依赖高精地图与路侧感知完成低速接驳。这些场景的共同点是：单车感知存在物理极限，而车路协同能提供超视距与全局视角。