4. 交通数据采集与感知

交通预测的精度上限，首先由感知数据的质量决定。车路云协同场景下，单一传感器无法覆盖全部时空范围：摄像头擅长语义分类，雷达擅长测距测速，激光雷达擅长三维几何，GPS 提供车辆轨迹，手机信令提供宏观出行需求。本章围绕这些数据源的特性、适用边界与融合方法展开，帮助你在工程中做出合理的传感器选型与融合架构设计。

一、核心原理：五类数据源的物理本质与互补性

不同传感器的差异，本质上是它们测量的物理量不同。摄像头测量的是二维像素亮度，通过标定和深度学习反推目标类别与位置；毫米波雷达测量的是电磁波往返时间与多普勒频移，直接得到距离和径向速度；激光雷达测量的是激光脉冲飞行时间，得到高精度三维点云；GPS 测量的是卫星伪距，解算出绝对经纬度与速度；手机信令测量的是终端与基站的交互事件，反映的是人群级别的移动模式。

正因为物理量不同，它们的失效条件也完全不同。摄像头在夜间、逆光、雨雾下性能骤降；毫米波雷达在静止目标识别和密集目标分辨上存在困难；激光雷达在雨雪、扬尘中回波衰减明显；GPS 在隧道、高架桥下会丢失信号；手机信令的定位精度通常在百米级，且采样稀疏。因此，多源融合不是简单叠加，而是用互补性对冲各自的盲区。

二、方法流程：从原始数据到融合感知结果

车路云多源感知融合通常遵循“时空对齐—特征提取—关联匹配—状态估计—输出发布”的五步流程。时空对齐是前提，需要完成时间戳同步与空间坐标统一；特征提取阶段，各路数据分别输出检测框、点云簇、轨迹点或信令栅格；关联匹配解决“哪个目标和哪个目标对应”的问题；状态估计使用卡尔曼滤波或粒子滤波输出平滑轨迹；最后通过路侧单元或云平台发布给应用层。

下面给出一个典型的路侧融合节点参数配置示例，用于说明工程中需要显式约定的关键参数：

# 路侧多源融合节点配置示例
sensors:
  camera_front:
    type: rgb_camera
    fps: 30
    resolution: 1920x1080
    extrinsic: [R_3x3, T_3x1]
  radar_front:
    type: mmwave_radar
    freq: 77GHz
    range: 250m
    velocity_res: 0.1m/s
  lidar_top:
    type: mechanical_lidar
    channels: 32
    range: 120m
    point_rate: 600000/s

fusion:
  time_sync: PTP_IEEE1588
  coord_frame: ENU_local
  association: mahalanobis_gating
  estimator: extended_kalman_filter
  output_rate: 10Hz

时间同步建议使用 PTP（IEEE 1588）或 GPS 秒脉冲，误差控制在毫秒级；空间统一建议以路侧局部 ENU 坐标系为基准，避免经纬度直接参与滤波计算带来的数值问题。关联匹配常用马氏距离门控，配合匈牙利算法求解最优分配。

三、车路云三级融合架构

按照计算位置，融合可分为车端融合、路侧融合与云端融合。车端融合延迟最低，适合碰撞预警等安全类应用；路侧融合视野固定、算力充足，适合路口全息感知；云端融合覆盖范围最广，适合区域交通预测与信号优化。三级之间通过 V2X 消息（如 BS M、RSI、RSM）和回传链路交换数据。

四、典型场景：城市路口全息感知

以城市十字路口为例，路侧杆件上通常同时安装摄像头、毫米波雷达和激光雷达。摄像头负责识别车辆类型、车牌和行人；毫米波雷达负责全天候测速与远距离跟踪；激光雷达负责精确的三维轮廓与盲区补盲。三路数据在路侧边缘计算单元完成融合后，输出统一的目标列表，再通过 RSU 广播给接近路口的车辆。

这一场景中，融合的关键难点是遮挡与目标分裂。大型车辆会遮挡后方小目标，导致摄像头漏检；激光雷达点云在远距离稀疏，容易把一个目标分成多个簇。工程上通常采用“雷达先验引导视觉检测”和“多帧点云累积”来缓解。此外，路口行人、非机动车轨迹随机性强，需要单独设置运动模型，不能与机动车共用一套滤波参数。

五、常见误区与复盘要点

• 误区一：追求传感器数量而忽视标定质量。外参标定误差 1 度，在 100 米处就会产生约 1.7 米的横向偏差，直接导致关联失败。标定应作为周期性运维任务。
• 误区二：用同一套融合参数覆盖所有场景。高速公路与城市路口的目标密度、运动模式差异巨大，关联门限和过程噪声应分场景配置。
• 误区三：忽视手机信令的隐私与合规。信令数据必须经过脱敏、聚合，且只能用于宏观统计，不可用于个体追踪。
• 误区四：只关注融合精度，不关注时间延迟。安全类应用对延迟敏感，融合链路每增加一级处理，都要评估其对端到端时延的贡献。

六、数据源特性对比清单

综合来看，车路云多源感知融合的核心不是算法堆叠，而是围绕“互补性”做系统设计：用雷达补摄像头的测速与全天候能力，用激光雷达补三维几何，用 GPS 补绝对定位，用信令补宏观需求。只有把每种数据的物理边界和失效条件讲清楚，融合架构才站得住脚。