2. 智能交通与自动驾驶基础

车路云协同感知时空融合并不是孤立技术，它建立在智能交通系统与自动驾驶分级体系之上。理解自动驾驶“车自己开到什么程度”、车路协同“车与路如何交换信息”、云控平台“在云端做什么决策”，是后续学习多源感知融合、时空对齐与协同定位的前提。本章从分级、协同、云控与场景四个角度建立基础认知框架。

一、自动驾驶分级：从L0到L5的责任边界

SAE J3016将驾驶自动化分为L0至L5六个等级，核心区别不在于“车能不能自己开”，而在于动态驾驶任务（DDT）由谁执行、谁监控、谁兜底。L0至L2属于辅助驾驶，驾驶员始终是责任主体；L3是有条件自动驾驶，系统在限定场景内执行DDT，但驾驶员需在请求时接管；L4在限定运行域内系统全程负责，无需人类接管；L5则无运行域限制。

对车路云协同而言，分级决定了协同的深度。L2及以下主要依赖单车传感器，路侧信息仅作提示；L3以上开始需要路侧感知补充盲区、云端提供超视距信息；L4/L5则要求车、路、云形成闭环，路侧与云端成为感知与决策链路的正式组成部分。因此，分级不是简单的“自动化程度”，而是协同感知系统设计的需求输入。

二、车路协同：从单车智能到系统智能

车路协同（V2X，Vehicle-to-Everything）通过无线通信把车、路、人、云连接起来，使交通参与者共享位置、速度、意图与信号状态。其典型通信方式包括V2V（车车）、V2I（车路）、V2P（车人）、V2N（车网）。与单车智能相比，车路协同的价值在于突破视距与遮挡限制：路侧单元（RSU）可俯瞰路口，提前发现被大车遮挡的行人；云端可汇聚多路口信息，实现全局路径优化。

车路协同的感知链路通常为：路侧摄像头/毫米波雷达/激光雷达采集原始数据，经边缘计算单元（MEC）完成目标检测与跟踪，再通过RSU广播或上传云端；车辆同时用自身传感器感知，并在融合层与路侧信息对齐。这里的关键是时空对齐：路侧与车端的时间戳、坐标系、采样频率不同，必须统一到同一时空基准，否则融合结果反而引入误差。

三、云控平台：从信息汇聚到协同决策

云控平台是车路云协同的“大脑”，其作用可归纳为四层：数据汇聚层接收路侧与车辆上报的感知结果、信号状态、交通流数据；时空对齐层统一时间戳与坐标系，建立全局动态地图；决策规划层进行路径诱导、信号优化、协同调度；服务下发层通过RSU或蜂窝网络向车辆推送预警、建议车速、绿波引导等指令。

云控平台并非替代车端决策，而是提供超视距、全局最优的信息支撑。例如在交叉口，云控平台可综合多个路口的排队长度，动态调整信号配时，并向接近车辆推送建议车速，使其在绿灯窗口通过，减少怠速排放。这一过程对时间同步要求极高，通常要求车、路、云时间误差控制在毫秒级。

时间同步误差：≤ 10 ms
坐标转换误差：≤ 0.3 m
路侧感知覆盖：路口 200 m 半径
目标更新频率：10 Hz（路侧） / 20 Hz（车端）
通信时延：V2I 直连 ≤ 20 ms，云端下发 ≤ 100 ms
融合目标置信度：≥ 0.85 方可下发预警

四、典型应用场景与误区复盘

车路云协同的典型场景包括：交叉口盲区预警（路侧检测被遮挡行人并广播）、绿波车速引导（云端计算建议车速）、协同变道（车车共享意图）、弱势交通参与者保护（V2P）、云控调度（园区/港口多车协同）。这些场景的共同点是：单车感知无法独立完成，必须依赖路侧或云端的补充信息。

综上，自动驾驶分级定义了协同的需求边界，车路协同提供了超视距感知能力，云控平台承担全局决策与调度，典型场景则验证了协同的实际价值。理解这四者关系，才能在后继章节中正确设计时空融合算法与系统架构。