3. 车路云协同体系架构

车路云协同不是把摄像头、雷达和服务器简单堆在一起，而是把“感知—计算—决策—控制”这条链路按实时性、覆盖范围和可靠性重新分配到车端、路侧与云端三个层级。理解这套体系架构，是后续做交通预测、信号优化和协同预警的工程前提。本节从角色划分、通信链路、计算分工和协同机制四个角度展开，并给出可直接对照的部署清单。

一、三层角色的核心定位

车端是“移动感知与执行终端”。它具备最强的实时控制闭环能力，典型设备包括车载摄像头、毫米波雷达、激光雷达、GNSS/IMU、车载计算单元（如 Orin、MDC）和 V2X 通信模块（OBU）。车端负责本车周围 360° 感知、轨迹预测、紧急制动与转向决策，其优势是低时延、直接控制，劣势是视距受限、易被遮挡、单车算力有限。

路侧是“固定视角的感知与边缘计算节点”。典型设备包括路侧摄像头、毫米波雷达、激光雷达、路侧计算单元（RSU/MEC）和路侧通信单元。路侧设备架设在路口或路段高处，能获得俯视视角，弥补车端被遮挡的盲区，同时可对多车进行统一感知与冲突分析。路侧的核心价值在于“上帝视角”和区域协同。

云端是“全局数据汇聚、模型训练与宏观调度中心”。云端接入多路口、多路段、多车辆的历史与实时数据，承担交通流预测、全局路径诱导、信号配时优化、模型迭代和高精地图更新。云端算力强、存储大、覆盖广，但通信时延和带宽是其主要约束。

二、通信链路：谁和谁说话，用什么说

车路云体系中的通信链路可分为四类：车—路（V2I）、车—车（V2V）、车—云（V2N）、路—云（RSU—云）。V2I 和 V2V 通常基于 PC5 直连通信（C-V2X），时延可做到 10～20 ms，适合碰撞预警、盲区提醒等安全类业务；V2N 和路—云通常走 Uu 蜂窝链路，时延 50～200 ms，适合交通流预测、路径诱导等非紧急业务。

工程上常把消息分为两类：一类是高频、小体积、强实时的 BSM（基本安全消息）和 RSI（路侧信息），走直连链路；另一类是低频、大体积、弱实时的交通流统计、预测结果和地图更新，走蜂窝链路。链路选择错误，会导致安全业务时延超标或带宽浪费。

三、计算分工：什么算在车上，什么算在路边，什么算在云上

计算分工的核心依据是“时延敏感度”和“数据覆盖范围”。车端负责毫秒级闭环：AEB 自动紧急制动、车道保持、本车轨迹预测，这些任务不能依赖外部链路，必须在本地完成。路侧负责十毫秒到百毫秒级区域任务：多目标融合感知、路口冲突点识别、信号相位建议、盲区预警。云端负责秒级到分钟级全局任务：短时交通流预测、区域信号协调、路径诱导、模型训练与下发。

四、协同机制：三层如何形成闭环

协同机制可以概括为“感知共享—融合预测—协同决策—执行反馈”四步闭环。第一步，车端和路侧分别感知，车端通过 BSM 广播本车位置、速度、航向角，路侧通过 RSI 广播路口信号相位、排队长度和事件信息。第二步，路侧 MEC 将多车 BSM 与自身感知结果融合，形成区域交通态势；云端汇聚多路口态势，运行预测模型。第三步，云端输出未来 5～15 分钟交通流预测和信号配时建议，路侧结合实时车流做微调，车端根据路侧和云端信息调整路径或速度。第四步，执行结果通过 BSM 和状态上报回流，形成闭环修正。

五、典型场景：十字路口盲区预警

以城市十字路口为例：一辆车准备左转，对向直行车辆被大型车辆遮挡，车端摄像头和雷达无法看到。此时路侧摄像头和雷达从高处感知到对向直行车辆，RSU 在 20 ms 内计算出冲突风险，通过 PC5 向左转车辆发送 RSI 预警。车端收到预警后，在 HMI 上提示驾驶员或触发减速。同时，路侧将路口排队长度和流量上传云端，云端更新区域交通流预测，并在下一个周期调整信号配时。这个场景中，车端、路侧、云端各自承担了不可替代的角色。

六、常见误区与复盘

• 误区一：把所有计算都放到云端。安全类业务时延要求低于 20 ms，云端链路无法稳定满足，必须由车端和路侧兜底。
• 误区二：路侧只做通信不做计算。如果 RSU 只转发数据，区域融合和冲突分析仍由云端完成，时延和带宽都会成为瓶颈。
• 误区三：忽视时间同步。车端、路侧、云端的时间戳必须统一到同一时钟源，否则融合感知会出现“鬼影”和误判。
• 误区四：没有降级策略。一旦 V2X 链路中断，车端应能依靠本地感知继续行驶，路侧应能独立完成信号控制。

# 车路云协同配置示例（简化）
vehicle:
  obu_id: "OBU-京A12345"
  v2x_mode: "PC5+Uu"
  local_compute: "AEB, lane_keep, trajectory_predict"
  report_interval_ms: 100

rsu:
  rsu_id: "RSU-路口-001"
  sensors: ["camera", "radar", "lidar"]
  edge_compute: "fusion, conflict_analysis, signal_advice"
  broadcast_interval_ms: 50

cloud:
  endpoint: "https://cloud.traffic.example.com"
  tasks: ["flow_predict", "signal_optimize", "model_train"]
  predict_horizon_min: 15
  update_interval_s: 30

总结来看，车路云协同体系架构的本质是“分层解耦、按需分配、闭环协同”。车端解决“最后一米”的安全控制，路侧解决“最后一百米”的区域协同，云端解决“全局最优”的预测与调度。只有把角色、链路、算力和协同机制四件事同时设计清楚，后续的交通预测工程才有稳定的运行基础。