4. 轨迹融合基础
在车路协同系统中，路侧感知单元、车载传感器和云端平台会持续产生大量目标轨迹。由于视角、遮挡、时延和定位误差不同，同一辆真实车辆往往会被多个感知源分别观测成多条“局部轨迹”。轨迹融合的任务，就是把这些来自不同时间、不同空间、不同坐标系的轨迹，关联并估计为一条更完整、更连续、更可信的全局轨迹。它既是目标共享的“后半程”，也是后续预测、决策与协同控制的基础。
一句话定义：轨迹融合是在时空对齐与目标关联的基础上，对多源轨迹进行状态估计与一致性处理，输出统一坐标系下、带置信度的连续轨迹序列。
一、输入与输出：融合系统的边界
轨迹融合不是单一算法，而是一条数据处理链。它的输入通常包括：各路侧感知目标列表、车载目标列表、时间戳、坐标系与标定参数、目标类别与尺寸、速度与航向、置信度，以及必要的道路地图和信号相位信息。输出则是一条或多条融合轨迹，每条轨迹由离散的轨迹点组成，每个点至少包含时间、位置、速度、航向和协方差，并附带全局目标ID、来源集合与融合置信度。
| 项目 | 典型内容 | 工程要点 |
|---|---|---|
| 输入 | 多源目标轨迹、时间戳、标定参数、地图信息 | 时间同步误差需小于50ms，坐标统一到同一参考系 |
| 中间量 | 时空对齐结果、关联矩阵、航迹质量 | 关联门限与运动模型需随场景自适应 |
| 输出 | 全局轨迹、目标ID、协方差、置信度 | 输出频率稳定，ID切换率低，轨迹连续可追溯 |
| 评价 | 精度、连续性、实时性、鲁棒性 | 需在真实路口与仿真场景中联合验证 |
二、融合层次：从数据到航迹的四种粒度
按信息抽象程度，轨迹融合可分为四个层次。数据级融合直接处理原始点云或图像像素，信息最全但计算量大、对同步要求极高；特征级融合提取边缘、车道线、目标框等特征后再关联，兼顾信息量与复杂度；航迹级融合直接对已生成的目标轨迹进行关联与估计，是当前车路协同工程中最常用的层次；决策级融合则对各源给出的目标身份或行为结论进行投票与置信度加权，适合异构系统快速集成。
实际系统常采用“航迹级为主、特征级为辅”的混合架构：路侧毫米波雷达与激光雷达先各自形成航迹，再在边缘计算单元完成航迹级融合；当某一路航迹中断时，用特征级信息进行短时补偿。这样既控制了通信与算力开销，又保留了多源冗余的优势。
三、性能评价指标：如何判断融合“好不好”
评价轨迹融合不能只看“有没有输出”，而要从精度、连续性、实时性和鲁棒性四个维度综合衡量。精度常用位置RMSE、速度MAE和航向误差表示；连续性关注轨迹断裂次数、平均轨迹长度和ID切换率；实时性关注单帧处理时延与输出频率；鲁棒性则考察在传感器失效、通信丢包和遮挡场景下的性能衰减程度。
工程中常用以下指标组合进行验收：
位置精度: RMSE_xy ≤ 0.5 m (路口场景)
速度精度: MAE_v ≤ 0.8 m/s
航向精度: MAE_θ ≤ 3°
连续性: ID切换率 ≤ 2% / 分钟
实时性: 端到端时延 ≤ 100 ms
鲁棒性: 单源失效时精度下降 ≤ 30%
需要强调的是，指标之间往往存在权衡。提高关联门限可以降低漏关联，但会增加误关联；增大滤波平滑强度可以提升精度，却会引入更大滞后。因此评价必须结合具体场景，而不是孤立追求某一项最优。
四、主要挑战与典型误区
轨迹融合面临的首要挑战是时空同步。不同传感器的采样周期、触发时刻和传输时延不同，若不做精确对齐，融合结果会出现“鬼影”或位置跳变。其次是目标关联歧义：在密集车流、遮挡和交叉口转向场景中，多条轨迹可能同时满足关联门限，导致ID切换。第三是异构源质量差异：雷达测距准但分类弱，视觉分类强但测距易受标定影响，融合权重若固定不变，难以适应环境变化。
常见误区：把“融合”简单理解为“取平均”。直接对多源位置求平均，会忽略各源协方差差异，导致精度不升反降。正确做法是基于协方差加权，并在关联失败时及时降级为单源输出。
另一个误区是忽视航迹管理。只做关联和滤波，不做航迹起始、维持与终止，会积累大量虚假航迹，最终拖垮下游预测模块。工程上应设置明确的航迹质量门限，对连续多帧未关联的航迹及时终止，对新生航迹延迟确认。
复盘建议：在真实路口部署时，先固定单一传感器验证航迹质量，再逐步加入第二源，观察ID切换率和位置残差的变化。每次只改变一个变量，才能定位问题来自同步、关联还是滤波参数。
综上，轨迹融合是车路协同目标共享的核心环节。理解其定义、输入输出、四个融合层次、评价指标与主要挑战，是后续学习具体关联算法、滤波方法和工程调优的前提。只有在时空对齐、关联决策和状态估计三个环节都做到可控可评，融合轨迹才能真正支撑协同驾驶的安全与效率需求。