图 1 智慧城市基础设施与智能网联汽车协同注：OBU表示车载单元(on board unit)；RSU表示路侧单元(road side unit)； |
“双智”之间的协同发展，已经成为交通领域备受关注的前沿研究方向[9]。借助车路协同的智慧管理手段，交通系统不再单纯依靠单车自身的感知与决策，而是把车辆、道路以及云端的智能决策机制给予紧密融合，以此达成更为高效、安全且智能的城市交通管理，“双智”的深度融合正促使城市交通系统从传统的“人车路”相互独立单元朝着“车路云一体化”生态不断演进，意味着从传统交通管理模式向数字化、智能化模式的转变。
“双智”协同的核心价值并非仅局限于技术方面，更在于其对社会效益有着深刻且长远的影响，就技术层面而言，借助路侧感知设备、车载终端以及高精度时空基准服务的整合应用，突破了传统单车智能在感知上的限制，化解了交通领域普遍存在的信息孤岛难题，智能交通系统为城市路网的优化、交通效率的提高、应急响应以及资源调度等诸多方面给予了前所未有的决策支撑。从社会效益角度来讲，“双智”协同可切实缓解交通拥堵状况，减少碳排放，还为智能驾驶、智慧物流等新兴业态奠定了创新基础，有力推动了城市治理朝着现代化与可持续发展的方向迈进[10]。
虽然“双智”协同在技术研究以及应用方面已然有了一定进展，不过还是面临着一系列挑战和问题。在技术方面，车路协同通信协议的标准化、高精度地图的动态更新及边缘计算任务的高效分配等，都是迫切需要解决的关键问题；在理论层面，“双智”协同的交互逻辑还没有完全研究清楚，融合感知、数据交互与安全防护等核心模块的技术实现途径仍然需要探讨。当下“双智”协同正从技术验证慢慢朝着规模化应用发展，相关领域的关键技术突破持续推动着这个进程。
本文对智慧城市基础设施与ICV的协同交互研究进展进行了全面综述。首先，探讨“双智”运行的逻辑以及核心架构，分析智慧城市给ICV的支持和ICV对智慧城市的反馈，研究车路云一体化架构的优势与应用情况；接着，回顾国内外在这个领域的研究进展，分析国内外研究的差异以及发展趋势；然后，重点讨论“双智”协同的关键技术，包括通信感知一体化技术和车路云协同技术；最后，展望未来可能遇到的技术挑战与研究方向，为推动“双智”的深度融合与协同发展提供理论依据与技术支持。
1 “双智”协同运行逻辑与核心架构
1.1 智慧城市对智能网联车的支持
智慧城市通过完善的数字化与智能化基础设施，为ICV的发展提供了坚实支撑，如图 2所示。具体来说，多源融合的城市感知体系能够增强感知能力，使车辆在动态交通环境中具备更高水平的环境理解。智慧城市依托物联网与大数据平台能够提供数据支撑，保障车辆在决策与控制过程中拥有充分的信息来源。
1.1.1 智能交通信号控制
在整个体系中，数据采集层[15]对于ITSC系统高效运行起着关键作用，该层借助路侧摄像头、毫米波雷达、地磁线圈以及近场通信读写器等多种传感设备，持续不断地收集车辆流量、车速、排队长度等信息及行人和非机动车的动态情况，安装在ICV车载终端的全球定位系统(global positioning system，GPS)和高精度定位模块会将车辆的实时轨迹以及运动状态上传至云端。所有数据借助5G等网络通道汇聚到城市交通云平台，经过预处理和清洗后，形成能够用于时序分析与建模的高质量输入，为后续的智能配时算法奠定坚实的数据基础。
为了进一步提升系统的协同效果，车路协同层则将信号机与车载单元(on board unit，OBU)之间的交互推向了新高度。通过ETSI智能交通系统G5(ITS-G5)、蜂窝V2X(cellular vehicle-to-everything，C-V2X) 等标准化协议，信号机实时广播当前相位状态、剩余倒计时及前方路段拥堵预警，ICV在接近路口时即可依据接收到的信息提前调整行驶速度，避免急刹与反复驻停。更进一步，当多辆ICV按队列驶来时，可在信号灯切换窗口内形成“绿波带”[21]，显著提升车队通行效率。针对公交车和紧急车辆，ITSC系统还能提前延长绿灯或缩短红灯时长，实现优先通行，提高公共交通准点率与应急响应速度。
1.1.2 环境感知和通信支持
在“双智”协同体系中，环境感知[24]和通信支持[25]是保证车辆能够“看得清” “连得上” “反应快”的关键环节。单纯依赖车载传感器的局部感知往往存在视野盲区、遮挡干扰和传感器精度限制，难以全面捕捉行人、自行车、非联网车辆等动态目标。路侧基础设施与车辆之间缺乏高可靠、低时延的信息通道，导致车辆无法及时获取路口拥堵、施工临时管制或突发事故等全局路况，影响安全与效率[26]。多个ICV之间以及车辆与后台交通管理平台的数据没办法达成无缝共享，这样很容易形成“信息孤岛”，智慧城市构建了多源路侧感知网络和高性能V2X通信架构[27]，补充了车载传感的盲区，在“车-路-云”层面搭建了实时且双向的数据流管道，为ICV提供了对宏观路网环境的实时认知及可扩展的协同决策基础，提升了交通安全性、出行效率和管理精细化水平[28]。
根据对于环境感知需求所做的分析，智慧城市在交通路网的关键节点以及高风险路段大范围部署了多源路侧感知设备[29]，以此来构建出全方位的宏观监测体系，安装在路口信号杆及天桥上面的高清摄像头可全天候捕捉车流密度、车速分布及行人、自行车闯入等动态影像，毫米波雷达弥补了夜间和恶劣天气下摄像头存在的盲区，可实时测量目标距离、速度及运动轨迹。地磁线圈和埋地感应环在路面层面监测车辆经过情况和排队长度，为信号配时和拥堵预测提供准确的流量基础数据。这些路侧设备借助光纤或者5G回传链路，把原始视频流、雷达点云和线圈脉冲数据收集到距离较近的边缘计算节点，开展初步的清洗、压缩以及目标提取工作，接着经由安全的专网连接上传到城市交通云平台。这样，路侧感知网络为后续的智能配时与协同决策提供了数量众多且可信度高的数据源。
在多源路侧感知网络给出宏观环境图谱的情形下，ICV自身的多模态传感器肩负着微观场景的精细捕捉及即时响应的任务，车辆前端的高分辨率摄像头负责识别车道线、交通标志、行人及车辆外观特征，激光雷达(LiDAR)用高密度点云描绘周边三维轮廓，给障碍物定位和轨迹预测提供米级精度。惯性测量单元(inertial measurement unit，IMU)和车轮速度传感器持续监测车辆的加速度、角速度与轮速，用来在隧道或者信号盲区内维持精确的自定位。在实际运用里，ICV会把这些传感器数据和路侧提供的高精度地图与实时流量图谱融合起来：借助边缘计算节点或者车载边缘单元快速预处理原始数据，提取特征并与地图坐标系对齐，运用Kalman滤波或者基于深度学习的多传感器融合算法，把摄像头、LiDAR与IMU信息无间隙匹配到路侧图谱中的车道线与静态障碍物模型上。凭借这种“端-边-云”协同融合，车辆的定位精度可以大幅提升到厘米级，同时检测行人、自行车和非联网车辆等动态目标的鲁棒性也得到了提高，为自动驾驶决策提供了更可靠的环境感知基础。
为了保障端侧多源感知数据和决策指令能够在毫秒级时延内可靠传输，智慧城市构建了多层次的V2X通信架构。在短距离、高密度场景下，专用短程通信技术(dedicated shortrange communications，DSRC)[30]和基于蜂窝的车联网通信技术(C-V2X)[31]并行部署，前者利用5.9 GHz专用频段提供毫秒级的直连通信，后者则借助现有4G/5G蜂窝网络实现更大范围、更高带宽的覆盖。此外，引入移动边缘计算(mobile edge computing，MEC)节点[32]，将核心消息处理下沉至路侧或基站侧，显著缩短数据往返时延，并在网络切片技术的支持下，为车路协同、紧急预警、娱乐信息等不同业务流量动态分配带宽与优先级。端到端的安全认证和加密机制(如基于公钥基础设施的证书管理与信令加密)确保数据在多网络跨域传输过程中不被窃取或篡改。通过上述多技术融合，ICV与路侧单元、其他车辆及云端平台之间可实现高可靠、低时延且可控的通信保障，为实时决策和协同控制提供坚实基础。
在完善的V2X通信管道之上，智慧城市采用“边缘预处理+云端深度分析”的协同架构，以兼顾系统的实时性与计算效能，如图 4所示。路侧单元(road side unit，RSU)或基站侧MEC节点首先对接收到的多源感知数据进行清洗、聚合与初步融合，例如去除冗余帧、压缩点云数据、合并车端与路侧定位信息等，并在本地运行轻量级的目标检测与事件识别模型，以在突发状况下实现毫秒级预警。而云端大数据平台则集中存储全市范围内的历史与实时数据，利用离线深度学习与大规模仿真工具对交通流模式进行离线训练与评估。
两者借助策略调度平台实现任务的动态分配，在边缘节点资源紧张或者算法需求升级的情况下，部分分析任务可被无缝迁移至云端，当网络带宽受限或者通信中断时，边缘节点可以自主完成最基础的安全预警及本地配时调整，以此保证系统的高鲁棒性且连续可用。
1.1.3 高精度导航决策支持
在“双智”协同体系里，传统的全球导航卫星系统(global navigation satellite system，GNSS)[33]定位精度一般仅能达到m级别，很难契合自动驾驶对于车道级定位以及精细路径规划的要求，仅仅依靠地图数据来进行路径规划，无法及时体现施工、事故或者临时交通管制等动态变化情况。鉴于此，高精度地图[34]及数字孪生技术[35]得到应用。高精度地图借助厘米级定位及详细的车道线、交通标志、信号灯位置等要素，为自动驾驶系统提供可靠的几何和语义信息基础，数字孪生技术则是把现实道路和交通要素全息映射到虚拟空间，让管理者与车辆可在数字环境中实时感知全局态势、开展仿真演练与进行决策验证。两者协同合作，解决了定位误差和路径不精准的问题，还为ICV的安全决策奠定了坚实的基础。
在地图基础之上，数字孪生将真实交通系统的路网拓扑、信号机状态、视频监控和流量统计等多维度信息映射至虚拟空间。具体流程则是路侧传感器与ICV车端传感器持续采集的动态数据，首先在MEC节点完成时间戳同步与坐标对齐。随后，云端仿真平台将这些信息加载到虚拟城市模型中，更新路段拥堵热力图、信号相位切换和道路事件标记，形成可交互的“城市镜像”。交通管理者可以在这一虚拟环境中进行流量模拟、事故预演和配时优化，也可将优化结果快速下发至RSU和ICV，实现“数字-现实”之间的闭环。
1.1.4 高速网络和算力支持
在“双智”协同体系中，构建一个既高速又智能的通信与计算平台，是实现车路云一体化的基础保障。ICV在行驶过程中会产生海量的传感数据与决策指令，对网络带宽、时延和可靠性提出了极高要求。同时，复杂的交通场景下，实时分析与快速响应更离不开强大的计算能力。由此，高速网络和充沛算力成为支撑ICV高效协作与安全行驶的双引擎。
算力层面，云计算和边缘计算协同发挥优势[41]，为ICV提供全方位的智能支撑。城市级云平台汇聚历史与实时数据，借助深度学习模型不断迭代，输出全局最优的交通管理和路径规划策略。而部署于路侧基站或RSU附近的边缘计算节点，则对实时视频流、雷达点云等大带宽信息进行近源处理，不仅能在毫秒级别完成目标检测和态势分析，也大幅降低了云端的计算压力。在“云-边-端”协作下，既保证了系统的整体智能深度，又兼顾了ICV对本地决策的实时性需求。
深入剖析可知，高速网络跟强算力实现有机融合，给车路云协同打造了稳定且可扩展的运行环境。一旦某路段出现突发事件，边缘节点可快速识别并向周边车辆发送预警；云端依据全网态势，动态调整信号配时或者路径推荐，并且依靠网络切片优先发送至受影响区域的ICV。这样的闭环状态，使得ICV在任何环境中可获取低时延、高可靠的通信支持及精确、前瞻的决策建议，提升了整体交通效率与安全性。
1.2 智能网联车对智慧城市的反馈
ICV作为智慧城市基础设施的关键构成部分，其感知数据与状态信息上传至智慧城市，为城市级云平台提供实时反馈[42]。ICV与城市交通系统深度融合，帮助城市交通管理者及时把握交通态势，优化决策，提高管理效率，为城市智能化管理提供坚实的数据支撑。
1.2.1 交通态势感知
随着ICV保有量快速增加，城市交通管理部门获取车辆运行实时大数据的规模达到前所未有的程度，具体表现为ICV可上报位置、速度以及加速度等基础信息，而且还可借助车上转向灯、雨刮器、制动踏板位移等状态传感器，同步上传丰富的动态行为数据。依靠车路协同通信网络，这些多维度信息在极短时间内汇聚到云端，构建起覆盖全市道路的交通大数据画像[43]。
云端平台负责存储海量车辆上报的数据，并开展预处理工作，对原始流数据依据时空坐标给予清洗、滤波以及去重操作，形成有高可信度的运行轨迹与状态序列。在此前提下，智慧城市引入流量统计、速度分布及拥堵指数等指标模型，用以精细刻画每条道路的实时运行状态，一旦某一路段出现速度急剧下降或者加速减速较为频繁的异常模式，系统便能迅速识别并标记出拥堵或者潜在事故风险，为交通管理人员提供精准的告警信息。
与传统路侧固定感应线圈及人工巡检相比，基于ICV的态势感知具有更高空间覆盖率及时效性，几乎所有接入系统的车辆都变成了“移动传感器”，可以在夜间、雨雾等极端天气状况及偏远路段持续监测交通动态，实时上传的车队数据一旦汇入大数据平台，就能驱动可视化看板及GIS地图，使调度中心直观掌握交通流分布和突发事件热点。
受益于这种“端-路-云-管”一体化实时数据反馈机制，城市管理者可依据全市交通态势快速调整信号配时、分流策略及应急预案，达成“全局可见、快速响应、精准调度”的智能化交通管理新方式，这些高精度态势数据还为后续路径规划、拥堵预测及城市级调度优化给予了强大数据支撑，促使智慧城市交通系统朝着更高效且更安全的方向发展。
1.2.2 交通决策优化
当获取到覆盖全市范围的精准交通态势数据之后，智慧城市的交通管理中心就可以依据大量的车辆位置、速度及加速度等实时信息，对路网控制策略进行动态优化，达成从“被动响应”向“主动调度”的转变。在同一时间，交通管理中心可针对上游路口及下游路口的信号配时展开智能调整[44]，借助延长拥堵方向绿灯持续时间或者缩短交叉方向红灯时间的方式，迅速疏导积压的车流。与之相配合的是，车载导航系统及路侧可变信息板会给驶近的车辆推送实时绕行建议，并且标注出最佳替代路线，以最大程度地防止新增车流进入受阻路段。
在大型活动或者突发公共事件的场景之中，ICV上传的实时轨迹及路侧监测数据成为了交通管制及疏导方案制定的依据[45]。以大型活动为例，管理者可在活动之前借助仿真平台对主干道通行压力给予预测，并且提前安排和部署管制措施；在活动进行期间，系统会持续对信号控制与分流策略加以优化，还会把最新的疏导路径发送给参与车辆，以此保证关键路段一直维持畅通状态；在活动结束后，系统侧重于瞬时大客流的快速疏散与交通韧性恢复，其依据实时离场流量动态调整区域路网的信号配时与诱导策略，有效平抑因短时需求激增引发的拥堵波峰。
由此形成的“数据驱动+算法优化+实时执行”闭环，使智慧城市能够在日常高峰、事故处置或区域联动中，持续迭代并完善交通管理策略。ICV与城市交通基础设施之间的实时信息交互与协同调度，共同构筑了一个高效、安全且灵活的现代交通决策框架，为城市治理提供了坚实的数字化支撑。
1.3 车路云一体化架构
基于1.1节中信号配时优化、环境感知与通信支撑、高精度导航决策及高速网络与算力保障等方面的阐述，可以将车辆、路侧基础设施与云端平台有机融合，构建完整的“感知—通信—决策—执行”闭环体系。
1.3.1 多层次系统架构
借助这3层结构的紧密协作配合，车-路-云架构达成了感知、通信、决策及控制的闭环[55]，车辆与路侧设备所采集的环境数据，经由V2X通信实现实时共享，接着上传至云端，或者直接传播到邻近车辆，以此达成全局感知及信息互通，云端和边缘设备融合多源数据，开展交通状态预测和决策分析，生成协同决策结果。决策指令经车联网下发车辆或者路侧信号控制系统执行，保证了交通系统的全局优化。
1.3.2 信息交互纽带
表 1 DSRC、LTE-V2X及5G-V2X的核心指标对比 |
| 对比项 | DSRC | LTE-V2X | 5G-V2X |
| 技术完整性 | 标准已确立、方案成熟 | 2018年确立，已有模组/芯片发布 | 标准于2019确立 |
| 低时延直接通信 | 支持，抖动大 | < 4 ms | < 1 ms |
| 联网能力 | 受限(只能通过AP) | 支持 | 支持 |
| 无中心节点通信 | 支持 | 支持 | 支持 |
| ITS 5.9 GHz频谱 | 支持 | 支持 | 支持 |
| 无SIM卡操作 | 支持 | 支持 | 支持 |
| 和5.9 GHz共存 | 支持 | 支持 | 支持 |
| 演进方向 | 无 | 可以向5G平滑过渡 | 向下兼容LTE |
| 高密度节点支持 | 会丢包 | 保证无丢包 | 保证无丢包 |
| 节点相对速度 | 500 km/h的速度下，需要高级接收器 | 500 km/h的速度下，可使用普通接收器 | 500 km/h的速度下，可使用普通接收器 |
| 传输距离 | 最高225 m | 点对点450 m，通过核心网可以超远距离通信 | 点对点450 m，通过核心网可以超远距离通信 |
| 典型传输时延 | 100 ms(可低至50 ms) | 100 ms(可低至20 ms) | ms级 |
DSRC标准由美国电气电子工程师学会基于WiFi制定，标准化流程开始于2004年。DSRC的核心由OBU与RSU组成，OBU与RSU协同，实现车-车与车-路的双向数据交换。RSU在收集到信息后，再借助光纤或蜂窝网络把这些交通数据上传到后台智能交通系统，以便统一分析与调度。
中国工业和信息化部明确选定C-V2X作为车联网即ICV直连通信的技术路线，综合国家政策导向以及产业链生态的实际发展状况来看，C-V2X技术更符合中国车联网的发展需求。
在车-路-云一体化架构体系里面，C-V2X负责车辆层与路侧及云端之间的双向数据传输工作，C-V2X可同时支持PC5接口和Uu接口这2种通信模式。相比传统的DSRC技术，C-V2X在网络覆盖范围、切片管理以及生态兼容性等方面呈现出诸多优势，目前已逐渐成为车联网通信的主流标准。图 8为PC5接口和Uu接口的关键技术情况。
与此同时，网络切片技术[60]为不同业务流量提供了差异化保障。通过在同一物理网络上创建多个虚拟化业务切片，智慧城市可以为安全预警、路径规划、视频回传等应用预留专属资源和优先级，确保在交通高峰或突发事件时，各类数据传输均能满足最低时延和可靠性要求。
为了进一步压缩响应时延并减轻云端压力，MEC节点被部署在RSU或5G基站附近。MEC节点可就近完成高带宽感知数据(如视频流、雷达点云)的清洗、初步融合与本地分析，当检测到紧急情况时，可在本地生成实时指令并通过C-V2X直连通道下发至车辆，实现对ICV的毫秒级干预，整体流程如图 9所示。
通过C-V2X、网络切片与MEC的协同融合，车辆层、路侧层与云端层之间的数据流和控制流得以高效打通，为车-路-云一体化架构的实时协同和可靠运行提供了坚实的支撑。
1.3.3 递进协同级别
伴随车-路-云一体化架构与高效信息交互机制的逐步完善，系统的协同能力也在不断升级，可分为3个递进级别，如图 10所示。
在协同感知[61]阶段，车辆、路侧设备与云端平台实现了基础的数据交换与共享。ICV和RSU的感知结果经C-V2X或MEC上传云端并共享至车辆与RSU。该阶段的主要目标是构建动态感知图谱，为驾驶员提供实时障碍物检测、车道偏离提醒和碰撞预警等辅助安全功能。
在协同决策[61]阶段，系统在协同感知的基础上进一步融合多源时空数据，并对交通态势进行预测，形成智能化的交通控制与驾驶建议。云端平台借助深度学习与流量模拟，对拥堵趋势和事故风险进行研判，并生成信号优化、车速调节或变道引导策略；同时，部分策略也可在边缘节点就地执行，为车辆提供自动加减速或变道支持，从而显著提升交通效率与安全性。
在协同控制[62]阶段，车-路-云一体化架构最终实现从感知、预测到决策、执行的全方位闭环，并具备全局最优的自适应能力。此时，云端可根据全路网范围内的实时数据，动态调整信号配时、路网流量和车队速度，同时将指令下发至车辆端。ICV在接收指令后，可自主完成高速公路跟车、城市路网编队和紧急避让等高级自动驾驶功能，从而真正实现全天候、全路网的高度自动化与协同控制。
更具体地，感知、决策、控制能力随等级的提升而逐步上升，这也对车辆、道路、信息通信产生了不同的要求。具体要求如表 2所示。
表 2 车路云协同发展对车辆、道路、信息通信的不同要求 |
| 协同等级 | 车辆要求 | 道路要求 | 信息通信要求 | 典型应用场景 |
| 协同感知 | 具有EE架构(域集中阶段)，具备环境智能感知能力和接口、人机交互功能和信息安全防护功能 | 更新道路探测传感器，支持多维度信息采集，安装智能路侧设备，完成红绿灯信号机网联化改造 | 车路、车车等短距离直通，支持行驶状态信息的近程协同；车云、路云等远程信息服务 | 预警类辅助驾驶应用 |
| 协同决策 | 具有EEI架构(中央计算阶段)，具备环境智能感知、智能决策、底盘执行能力，具备人机交互和信息安全防护功能 | 升级道路探测传感器，支持高精度车辆运动检测传感功能；升级智能路侧设备，完成红绿灯信号机网联化改造，支持多模式驾驶 | 车路、车车等短距离直通，支持增强驾驶安全信息的近程协同；车云、路云等远程信息服务，支持自动驾驶脱困等 | 常规道路控制类辅助驾驶应用、特定道路与封闭区域的无人驾驶 |
| 协同控制 | 具有EEI架构(车路云一体化阶段)和线控底盘，具备环境智能感知、智能决策，具备人机交互和信息安全防护功能 | 升级道路探测传感器、智能路侧设备，优化信号灯设备，支持车辆全面接管，全面建成高水平的智慧公路网 | 车路、车车等短距离直通增强近程信息交互，车云、路云等远程通信能力增强，车路云协同自动驾驶感知决策控制等 | 多车协同换道、信控优化、无信号灯协同通行和特殊事件下的紧急救援等 |
2 “双智”协同发展态势：国际与国内视角
2.1 国际进展
在全球范围内，不同国家和地区结合自身产业基础与技术优势，纷纷制定了各具特色的发展战略[63]。以下将详细阐述美国、欧盟及日韩在ICV与车路协同领域的最新进展。
2.1.1 美国：车端智能驱动与C-V2X转型路径
目前，密歇根、弗吉尼亚等州已在主要高速和城市道路部署了C-V2X路侧单元，用于验证车路协同预警、防撞与信号交互等功能。尽管各地推广进度存在差异，但车端智能先行、路端协同加速的双轨并行策略，正助力美国在实现高级别自动驾驶与构建车路协同生态两方面同步发力，以期在未来融合车辆自主智能与路侧协同优势，全面提升道路安全与交通效率。
2.1.2 欧盟：V2X标准统一与跨境协同实践
在欧洲，ICV的发展始终围绕标准化与跨国协同展开。早在2016年，欧盟委员会就通过发布CITS战略[69](第2010/40/EU号指令)明确了车联网服务在成员国之间的互联互通要求。紧接着建立的CRoads平台则成为多国联合测试的主阵地，德国、法国、荷兰等国在泛欧交通走廊上先后部署RSU与车载终端，验证了跨境合作感知消息(cooperative awareness message，CAM)[70]与分散环境通知消息(decentralized environmental notification message，DENM)[71]的无缝交换。在此过程中，欧盟兼顾了ITS-G5[72](基于IEEE 802.11p)和C-V2X两种技术路线，通过双栈部署与互操作性测试，既保留了欧洲传统的WiFi ITS-G5生态，又在5GAA联盟的推动下，逐步向全球趋势靠拢，使得大众等车企能够继续采用ITS-G5，而宝马、戴姆勒等车企则开始在新车型上标配C-V2X芯片。
与此同时，为避免标准割裂带来的市场壁垒，欧盟还从监管层面加大了对V2X功能的推广力度。Euro NCAP在2024年起将V2X通信能力纳入五星安全评级评估，直接倒逼整车厂商在新车上预装路侧交互模块；欧盟委员会通过“连接欧洲设施”与“欧洲地平线”等项目，为跨国测试和设施建设提供了专项资金支持。此外，针对跨区域数据共享和隐私保护，欧盟正结合GDPR和ETSI TS 103 759系列标准，推动统一的消息格式和安全认证框架，确保车辆在跨境行驶时能持续接收信号灯状态和路况预警，又能保护数据交换中的用户隐私。总体来看，欧盟以法规导向与项目驱动并举，在标准融合、跨境互联和产业激励3方面形成合力，为未来的跨欧洲自动驾驶大规模应用奠定了坚实基础。
2.1.3 日本与韩国：政府主导的立法创新与基础设施布局
在亚洲市场，日本和韩国政府都扮演了领航角色。日本自2015年启动“SIP自动驾驶”[73]战略性创新创造计划以来，依托政府资助的产学研合作，加速关键技术研发和示范应用。2019年修订道路交通法，自2020年起在限定条件下开放L3级自动驾驶测试，2023年进一步允许L4级无人驾驶商业运营。为支撑车路协同，日本国土交通省还在主要公路和城市道路沿线部署了ITS Spot路侧单元，并结合NTT Docomo的5G边缘计算平台与高精地图服务，显著提升隧道及城市峡谷等复杂环境下的定位与感知能力。韩国于2020年修订道路交通法，同步启动L3级测试，并发布2030年国家CITS部署规划，力求在全国主要高速公路和干线公路实现车路通信全覆盖。以KCity智能交通试验区为枢纽，韩国政府联合SK Telecom、现代汽车等企业推广LTE-V2X标准，并在首尔、世宗及江陵高速等示范段开展“5G+卫星”融合定位与协同感知试验，为多场景连续定位和车路协同能力奠定了坚实基础。
2.2 国内进展
在国家“十四五”规划纲要将“数字中国”[74]建设确立为顶层目标后，住房和城乡建设部和工业和信息化部于2020年12月正式启动智慧城市基础设施与ICV协同发展的试点工作。表 3总结了自2020年起，中国关于“双智”协同发展的重要政策文件及重要论坛。2021年4月，北京、上海、广州、武汉、长沙和无锡入选首批“双智”试点城市。同年12月，重庆、深圳、厦门、南京、济南、成都、合肥、沧州、芜湖和淄博10城又被纳入第2批名单。各试点城市纷纷加快构建“双智”协同框架，通过完善智能化基础设施与新型网络体系、搭建“车-城-网”一体化运行平台，并围绕典型应用场景开展示范实践。同时，各试点地区不断细化管理办法和技术标准，创新投融资与运营模式，为车路协同的大规模推广积累了宝贵经验。
表 3 部分“双智”发展政策文件及重要论坛 |
| 时间 | 部门 | 政策文件及重要论坛 |
| 2020年8月 | 住房和城乡建设部等 | 《关于加快推进新型城市基础设施建设的指导意见》 |
| 2020年10月 | 住房和城乡建设部 | 《关于开展新型城市基础设施建设试点工作的函》 |
| 2020年11月 | 工业和信息化部办公厅 | 《关于组织开展智慧城市基础设施与智能网联汽车协同发展试点工作的通知》 |
| 2021年2月 | 国务院 | 《国家综合立体交通网规划纲要》 |
| 2021年4月 | 住房和城乡建设部等 | 《关于确定智慧城市基础设施与智能网联汽车协同发展第一批试点城市的通知》 |
| 2022年5月 | 国务院 | 《“十四五”现代综合交通运输体系发展规划》 |
| 2023年3月 | 住房和城乡建设部等 | 中国电动汽车百人会论坛—《第三届双智论坛》 |
| 2023年11月 | 工业和信息化部、公安部等 | 《关于开展智能网联汽车准入和上路通行试点工作的通知》 |
| 2023年12月 | 工业和信息化部等 | “双智”试点工作经验交流会 |
| 2024年1月 | 工业和信息化部、公安部等 | 《关于开展智能网联汽车“车-路-云一体化”应用试点工作的通知》 |
| 2024年3月 | 住房和城乡建设部等 | 中国电动汽车百人会论坛—《车路城融合发展论坛》 |
| 2024年6月 | 深圳市城市交通规划设计研究中心 | 第二届未来汽车先行者大会—2024全球智能网联汽车商业化创新论坛 |
| 2024年7月 | 工业和信息化部等 | 《关于公布智能网联汽车“车-路-云一体化”应用试点城市名单的通知》 |
2.2.1 车端智能化：技术渗透率快速提升
随着辅助驾驶技术的日趋成熟与成本不断下降，中国ICV的车端智能化水平获得显著提升。
表 4 智驾等级分级及代表功能 |
| 智驾等级 | 定义 | 代表功能 |
| L0 | 无ADAS功能或只有预警功能，无执行功能 | 无ADAS或仅有LDW、FCW、TSRLCA、RCTA等 |
| L1 | 仅横向或纵向执行功能 | ACC、AEB、ACC+AEB、LKSAPA |
| L2 | 具有独立的横向、纵向执行功能 | ACC+LKS/LCC、AEB+LKS/LCC、ACC+AEB+LKS/LCC、TJA、ICA、TJA+ICA+APA |
| L2+ | 具备打灯变道或高精度地图 | ALC、高精地图 |
| L2.5 | 高速NOA | 高速NOA |
| L2.9 | 城市NOA | 城市NOA |
注：LDW为车道偏离预警(lane departure warning)；FCW为前向碰撞预警(forward collision warning)；TSR为交通标志识别(traffic sign recognition)；LCA为变道辅助(lane change assist)；RCTA为后方交叉来车预警(rear cross traffic alert)；ACC为自适应巡航控制(adaptive cruise control)；AEB为自动紧急制动(autonomous emergency braking)；LKS为车道保持系统(lane keeping system)；LCC为车道居中控制(lane centering control)；APA为自动泊车辅助(automatic parking assist)；TJA为交通拥堵辅助(traffic jam assist)；ICA为集成式巡航辅助(integrated cruise assist)；ALC为自动变道辅助(automatic lane change)；高速NOA为高速领航辅助驾驶(highway navigation on autopilot)。 |
与此同时，得益于工业和信息化部、交通运输部对LTE-V2X示范区的持续支持，以及车企与芯片厂商的紧密合作，C-V2X通信模组的预装速度持续加快。2023年底，新车C-V2X预装率已提升至12%。红旗、比亚迪、广汽等厂商纷纷在量产车型中嵌入车路协同模块，使车辆能够实时获取交通信号灯状态、施工告警等路侧信息；华为、高通等企业则推出了低成本、高集成度的C-V2X芯片方案，推动模组价格持续下行。
2.2.2 路端智能化：基础设施全面升级
在道路端智能化升级方面，高速公路与城市路网的改造并行推进，以打造全方位的车路协同测试环境。以京沪高速(G2)为例，该线路全长约1 262 km，已完成智能化升级：RSU上累计部署超过5 000个C-V2X基站，并配备毫米波雷达与AI摄像头，通过低时延通信与边缘计算平台，实现了车辆与基础设施之间的实时感知与指令交互；这一体系不仅能够为自动驾驶卡车提供超视距障碍物预警，还支持多车编队行驶、协同变道等高级功能。与此同时，长三角“智慧高速网”建设正加速落地，目前已覆盖沪杭甬、宁沪等多条主干线，并计划于2025年底实现80%以上路段对L4级自动驾驶的兼容支持。
在城市道路方面，全国开放测试与运营规模同样持续扩大。截至2024年末，已有超过2万km的城市道路对自动驾驶车辆开放测试[76]，北京、上海、深圳等一线城市的开放区域已覆盖90%以上城区。以武汉为代表，其测试网络已超4 000公里，累计服务自动驾驶车辆800余台次，涵盖公交、物流与私家车多种车型，测试场景从简易路口、环路延伸至复杂的多模式交通枢纽。在此过程中，各地还同步完善了路侧流媒体分发、信号灯时序广播及道路施工动态告警等功能，为车辆精准决策与安全运营提供了多维度数据支撑。
2.2.3 车路云协同构建：云平台赋能与标准护航
近年来，随着车端与路侧感知能力的不断提升，云端平台和数据整合能力已成为车-路-云一体化系统迈向智能化运营的核心驱动力。
政策和标准层面也在同步发力。工业和信息化部于2024年启动《车-路-云一体化应用试点工作方案》，在北京、深圳等20个城市重点攻克跨平台数据共享与协同控制瓶颈。国家标委会随即发布《智能网联汽车数据安全标准》，从数据采集、存储到跨境传输建立全流程规范，既保护了用户隐私，也为产业规模化提供了合规保障[79]。这些举措共同推动车路云系统从技术验证走向商业化落地，初步形成了“数据驱动、云端赋能、标准护航”的协同生态。
3 “双智”协同关键技术分析
近些年来，随着“双智”在通信、感知、决策以及执行层面的深度融合，仅依靠单一技术路径已经无法契合未来复杂交通场景的需要，针对“人-车-路-云”协同的全新交通生态，通信感知一体化(integrated sensing and communication，ISAC)、车路云一体化架构设计及多源融合定位技术，成为支撑智慧交通系统高效、安全且可靠运行的3个前沿领域。ISAC技术借助频谱与硬件资源的统一调配，达成通信与环境感知的底层融合，为车辆提供更为精确的实时感知以及更为高效的数据传输；车-路-云一体化架构依靠多层次算力协同与数据闭环，将车辆、路侧基础设施与云端平台深度整合，构建起从微观感知到宏观决策的一体化系统；多源融合定位技术弥补了卫星定位盲区，为车辆提供厘米级的稳定定位以及路径指引。鉴于通信、感知、架构与定位这四者的深度融合已经成为智慧交通发展的核心，本章节将分别剖析各项关键技术的原理、实现方式以及应用场景，并且深入探讨它们所面临的挑战以及未来的发展趋势。
3.1 通信感知一体化技术
随着智能车辆逐渐搭载高精度传感器、先进的信号处理模块及更强大的计算和通信单元，车联网的感知能力被显著增强。车辆与分布在道路两侧的路边单元、各类基础设施，乃至行人终端，共同构成了一个多源信息交互融合的环境感知网络。与此同时，诸如实时视频流、三维高清地图和车载娱乐等应用，对网络带宽和时延提出了更严苛的要求，但无线频谱资源却日渐紧缺。
通信感知一体化技术已然成为行业聚焦的核心方向。该项技术的核心[80]是在物理层及系统层面将无线通信与环境感知功能深度融合，以此达成频谱和硬件资源的高度复用。
3.1.1 功能融合
在通信感知一体化的功能融合层面，车辆的环境感知与通信能力可以相互补充、协同优化。
“感知辅助通信”是指利用毫米波雷达等传感器获取的环境信息来提升通信性能。当毫米波雷达精确探测到周围障碍物和车辆的位置后，可以将这些数据用于波束对准与切换，从而大幅降低高速行驶场景下毫米波通信的波束训练开销。实验证明，借助毫米波雷达提供的精确方位与距离信息，能够更快速、更可靠地建立车辆之间的定向链路。“通信支撑感知”是指通过V2V或V2I网络将各车本地传感器(如摄像头、雷达)采集到的行人、车辆等目标信息共享给周边车辆或RSU，实现协同感知，如图 12所示。
基于上述功能融合，单车便能“看见”其自身传感器视野之外的区域，突破视线盲区，获得超视距的感知能力。例如，在“透视”场景中，前车实时推送其视角下的视频流，帮助后车在超车时预见被遮挡的路况；又或通过路侧单元汇聚多车雷达和视频数据，提前探测远处障碍并发出预警。这种双向互动的大规模协同感知，不仅拓展了车辆环境感知的覆盖范围，也显著提升了感知精度，为自动驾驶安全性提供了坚实保障。
3.1.2 信号融合
在物理层面上，信号融合意味着要设计出一种统一的无线波形，这种波形可以使同一份频谱同时完成通信功能和雷达式环境感知的能力，达成频谱共享与硬件共用的目的。
信号融合一般存在3种较为典型的融合方式，分别为正交融合、非正交融合以及机会主义融合，如图 13所示。
1) 正交融合设计。
2) 非正交融合设计。
非正交融合设计突破了正交复用模式的频谱效率限制，通过硬件与频谱资源的深度共享实现通信与感知协同优化，如图 15所示，通信与雷达信号同时复用相同的时频资源块。目前，该设计主要从以下三个技术维度展开研究。
上述技术路径通过多维资源的动态调度与联合优化，在维持系统性能的同时显著提升频谱效率，为通信感知一体化系统提供了关键技术支撑。
3) 机会主义融合设计。
机会主义融合设计通过利用现有通信或雷达波形实现功能耦合，避免了复杂的资源分配与优化问题，在信号层面实现高效的双功能融合，如图 16所示。该设计可分为以雷达信号为中心和以通信信号为中心2种机制。前者通过调制雷达波形参数(如Chirp信号的幅度、频率或相位)或采用索引调制技术(如频率捷变与空间敏捷性结合)嵌入通信信息，在保持感知性能的同时实现数据传输；后者则基于标准通信协议(如IEEE 802.11p/ad)的OFDM或毫米波信号，通过优化波形特性(低旁瓣、低峰均比)和开发新型检测算法(如利用波束成形训练回波)扩展感知功能。
然而，这种机会主义融合设计存在固有局限。以通信信号为中心的方案受随机信号特性制约导致雷达性能下降，而以雷达信号为中心的方案则因波形受到约束难以满足高速通信需求[90]。
3.2 车-路-云一体化融合控制系统
车-路-云一体化融合控制系统是利用新一代信息与通信技术，将人、车辆、道路与云端资源在物理、数据和应用3个层面紧密耦合，构建协同感知、决策和执行的闭环机制，从而显著增强行车安全性并优化整体交通效率的一种信息物理系统，也可称为“ICV云控系统”或简称“云控系统”。
3.2.1 系统架构及组成
车辆及其他交通参与者的信息既可以由路侧基础设施采集和处理后上传云控基础平台，也可以由无线通信网直接上传云控基础平台。云控基础平台通过对地图、交通管理、气象及定位等多源信息的深度融合，集中处理车辆与道路的瞬时动态数据，并以分层标准接口向外部系统灵活输出，从而满足毫秒级到秒级等不同实时性需求。凭借统一的数据与计算底座，平台为ICV产业提供可靠支撑，进一步强化车辆安全、降低能源消耗，并提升区域交通运行效率。各类企业、科研单位与政府机构已经拥有自身的交通或车联服务平台，只需接入云控基础平台，便可在不新增任何硬件投入的情况下，轻松获取更完备的交通基础数据，从而进一步升级和完善其服务能力。
在整个云控系统架构中，通信网根据各个部分之间标准化信息传输与交互的要求，将各个组成部分以安全、高效和可靠的方式有机联系在一起，保障云控系统成为逻辑协同、物理分散、可支撑ICV产业发展的信息物理系统。
3.2.2 云控基础平台
1) 边缘云[92]。边缘云是云控基础平台中最贴近车辆与道路端侧的运行环境，核心由以下几部分共同构成：轻量级基础设施与虚拟化管理平台、边缘云接入网关、计算引擎与高速缓存、领域特定标准件、标准化分级共享接口。轻量级基础设施与轻量级云虚拟化管理平台依托内存计算和网络接入资源，提供了云计算的底层支撑；在此基础上，轻量级云虚拟化管理层能够对计算、存储和网络资源进行统一调度与高效管理，确保系统运行灵活且可靠。边缘云接入网关包括路-云、车-云和云-云3种类型。路-云网关将路侧雷达、摄像头等感知设备采集的初步数据送入边缘云；车-云网关负责上传车辆总线数据和车载传感器信息；云-云网关则对接第三方平台，融合实时气象、高精度地图及交通信号等数据，并实现边缘云与区域云之间的双向交互。高速缓存与计算引擎协同运作：高速缓存模块临时存储车路动态信息，计算引擎对信息进行预处理与基础计算，为实时及弱实时云控应用提供必需的数据支撑与计算能力。
标准化分级共享接口定义了多级云架构下的数据交换规范，通过统一的数据格式和权限分级，实现了远程驾驶、辅助驾驶和安全预警等多种云控应用的无缝协作。边缘云领域特定标准件汇聚了道路交通预测感知、决策建议及控制指令等基础服务，用以支撑盲区与超视距危险预警、协同换道规划等场景的云端应用开发，具体包括融合感知标准件、
协同决策标准件、协同控制标准件。
2) 区域云。区域云是面向区域级交通监管、交通执法及域内车辆运行管理的基础平台，汇聚了多个边缘云的数据与服务。整体架构由以下几部分构成：云计算基础设施与虚拟化管理平台、区域云接入网关、大数据存储与分析计算引擎、领域特定标准件、标准化分级共享接口。
云计算基础设施和虚拟化管理平台整合了计算资源、存储资源及网络资源，借助虚拟化管理层达成对这些资源的统一安排与高效管理控制，区域云接入网关包含路-云网关、车-云网关及云-云网关，3种网关对应的功能与边缘云的3种网关一致。
大数据存储模块可长时间保存源自边缘云的缓存数据及路侧监控视频，同时该模块能够与大数据分析模型和高性能计算引擎相结合，为系统赋予了在弱实时或者非实时场景下进行深度分析与处理的能力。
区域云的领域特定标准件通过集中化服务支撑云端应用，包括协同决策标准件、协同控制标准件、交通动态管控标准件、标准化分级共享接口。
协同决策标准件：以区域范围内的车辆与道路实时路况为输入，通过云端集中决策生成行驶速度、路径选择、节能驾驶等建议，并以标准化API形式向外部应用平台及车辆推送，助力路网级交通管控和行车安全提升。
协同控制标准件：基于区域内实时路况数据，进行能效分析与决策，生成协同控制指令，以标准化API向交通应用平台及车辆下发，实现路网级控制优化、能耗降低与行驶效率提升。
交通动态管控标准件：利用历史与实时路况数据，结合预测模型与能效计算，向智能交通管理部门推送区域路网实时态势、突发事件及异常天气提醒，并提供路网交通智能管控、路侧设施远程操控和事件回溯等服务。
标准化分级共享接口定义了数据交换规范与权限管理策略，使得车辆编队行驶、道路监控预警、路径引导和远程控制等广域云控应用能够在多级云架构中无缝协作。
3) 中心云。为了向交通主管部门、汽车制造商及相关企业、科研机构等提供宏观交通洞察与数据增值能力，中心云通过聚合各区域云的海量信息构建了统一的数据枢纽。其技术体系由五大核心单元构成：超大规模的云计算与虚拟化资源池负责跨区域的数据存储与计算调度；接入网关汇聚各类数据流并保障安全互联；数据仓库和分析引擎承担集中存储与深度挖掘任务；行业化分析组件为特定业务场景提供算法与模型服务；分层的标准接口确保外部系统能够高效共享和调用数据。逻辑架构与区域云保持一致，而在资源规模与处理能力上进行扩展，以适应多区域协同的高并发需求。
中心云接入网关仅有云-云网关一种，负责中心云之间以及中心云与区域云之间的数据交换，确保多层云架构下的信息流通与协同。数据仓库汇集各区域云的历史交通数据，形成多维度的基础数据集；计算引擎与大数据分析引擎在此基础上开展深度挖掘与全局分析，实现面向ICV及交通管理的价值提升。领域大数据分析标准件以汇聚的区域云数据为输入，结合数据挖掘、大数据计算与交互式多维分析，为用户提供宏观交通态势监测、规划评估、驾驶行为与事故分析、车辆故障诊断及车险定价等基础数据和增值服务，并通过标准化API对外发布。
标准化分级共享接口继承了边缘云和区域云的数据交换规范与分级机制，保障全局范围内的道路交通态势感知、交通规划评估、车辆行为分析和远程控制等云控应用的无缝互操作。
3.2.3 云控应用平台
云控应用[93]的落地场景可归纳为3条主线：一是面向车辆的智能网联驾驶场景，用以保障行车安全并降低能耗；二是面向道路体系的智能交通场景，旨在提升路网通行效率；三是面向数据生态的分析与服务场景，通过挖掘车辆与交通大数据创造附加价值。依据业务对网络时延的敏感程度，这些场景又可细分为需毫秒级响应的实时协同类和可接受较长传输延时的非实时协同类。
云控应用是企业云控应用平台的核心功能。既有的企业云控应用平台多为各类企业或相关单位根据各自需求建设而成。而云控应用平台是面向ICV有效整合“人-车-路-云”信息，结合V2X和车辆远程控制技术，通过“端-边-云”协同，实现车辆行驶性能提升与运营全链路精细化管理的协同管控平台。
云控应用平台可获取最全的、标准化的ICV相关动态基础数据[94]，为企业提供基于产业各类需求的差异化、定制化服务，以支持网联式高级别自动驾驶、盲区预警、实时监控、远程控制、远程升级、最佳路径规划、网络安全监控等众多功能。
3.3 多传感器融合定位技术
精准可靠的定位是ICV安全运行的基石。然而，城市环境中高楼遮挡、隧道屏蔽等因素经常导致GNSS信号[95]不稳定甚至中断，难以保证连续性与精度。为此，多源信息融合的定位技术成为业界和学术界研究的重点。
目前，国内业界普遍采用北斗卫星导航、5G蜂窝定位、IMU相结合的方案[96]，以实现“全天候、全区域”定位服务。其中，在开阔环境下北斗可提供亚米级乃至厘米级精度，但在高架桥下和城市峡谷中北斗可视卫星数量受限。5G基站由于密集部署，对信号到达时间差和角度的测量可在卫星信号弱时维持3~5 m的室外定位精度。IMU则在汽车短暂失去外部定位信号时，通过加速度计和陀螺仪推算位移，但会产生累积漂移。基于扩展Kalman滤波等滤波算法，将三者实时融合。在北斗卫星信号良好时校正惯导误差，北斗卫星信号中断时由5G蜂窝与IMU共同维持连续定位。实践证明，该方案在隧道等纯北斗卫星盲区环境中仍能保持可接受的定位精度，大幅提升系统鲁棒性。
3.3.1 多传感器融合系统体系结构
GNSS/INS融合是一种典型的多传感器融合方式。GNSS/INS融合系统体系结构主要包括松耦合、紧耦合以及深耦合等组合结构。
3) 深耦合。在深度耦合系统中，INS不再只进行独立解算，而是把自身的姿态与速度推算结果结合星历数据，提前计算出伪距变化速率及载波Doppler值。这些预测量注入到卫星信号的捕获与跟踪环节，使接收机在高速机动或微弱信号环境下依旧保持稳健而灵敏的跟踪性能。
3.3.2 多传感器融合系统分层
图 21中，按照信息处理的流程，可将多传感器融合系统划分为数据层融合、特征层融合和决策层融合。
数据层融合也称像素级融合，要求各传感器观测同一物理量，直接在原始观测数据层面进行合并，不会丢失信息且精度最高，但计算量庞大，对通信带宽要求极高。在特征层融合中，每个传感器首先提炼自身最具代表性的特征，然后将结果汇聚成一个共享向量。虽然不再保留全部原始观测信息会导致精度略有折损，但会显著减少计算负担与传输带宽，使系统整体效率大幅提升。决策层融合建立在各传感器独立识别结果之上，通过加权或投票等方式综合判断，精度相对最低，但对系统资源和通信带宽的需求最小，适用于对实时性和资源消耗极为敏感的场景。
3.3.3 多传感器融合定位系统原理
在当前这种多源定位框架体系里，系统最初会接收源自GNSS、INS及地图匹配模块的测量数据，接着经过数据清洗、时空对齐与融合估计等一系列流程，把分散的信息整合成为一个统一的结果，持续地给出车辆的行驶速度、精确坐标及三维姿态，图 22为多传感器数据融合定位流程的示意图。
在实际的应用场景当中，数据预处理一般会涉及传感器初始化和配准这2个较为关键的步骤。其中，在传感器初始化阶段，需要针对每一台设备逐个完成相对于系统坐标系的标定工作，以此来保证它们在空间及时间方面的基准保持一致。当完成初始化操作之后，便可以对来自不同传感器的观测数据或者轨迹数据进行后续处理。依据相关要求进行配准，这里所说的数据配准，意思是把单个或者多个传感器所捕捉到的观测点，与已有的事件或者目标集合精准匹配，以提升同一实体的数据组合概率。具体来说，系统会把每一帧或者每一批目标数据与已构建的事件库进行对比，以此来判断它们是否属于同一个物理对象。
为保证配准的准确性，系统在配准过程中会不断收集大量样本数据，借助这些数据计算整体的偏差参数以得到偏差校正，接着将偏差校正应用到后续所有传感器的输出，传感器配准包含时间配准(依靠同步钟或者时间戳校正来消除不同设备间的时延差异)和空间配准(凭借外参标定来调整传感器在三维坐标系中的相对位置和姿态)，为后续的数据融合与决策奠定可靠基础。
3.3.4 多传感器融合算法
上述所有融合算法的特点比较如表 5所示。
表 5 各种融合算法的特点比较 |
| 融合算法 | 运行环境 | 信息类型 | 融合技术 | 适用范围 |
| 综合平均法 | 动态 | 冗余 | 加权平均 | 低层融合 |
| Bayes估计法 | 静态 | 冗余 | 贝叶斯估计 | 高层融合 |
| D-S证据推理 | 静态 | 冗余互补 | 逻辑推理 | 高层融合 |
| Kalman滤波算法 | 动态 | 冗余 | 系统模型滤波 | 低层融合 |
| 模糊逻辑法 | 静态 | 冗余互补 | 逻辑推理 | 高层融合 |
| 神经网络算法 | 动、静态 | 冗余互补 | 神经元网络 | 低/高层融合 |
| 专家系统 | 静态 | 冗余互补 | 逻辑推理 | 高层融合 |
4 挑战与展望
4.1 挑战
4.1.1 技术瓶颈和标准化壁垒
1) 核心技术自主化与算法适配难题。
在ICV的关键技术领域，高精度传感器、车规级芯片及仿真测试平台等环节仍存在“卡脖子”风险，导致国产替代方案在生态适配方面难以充分发挥效能。与此同时，多模态融合算法高度依赖大规模标注数据，但在城市、郊区与高速等不同场景下，感知能力会因环境差异而大幅波动，跨场景的泛化与迁移能力亟需提升。车路协同系统要求毫秒级的实时响应，然而在异构数据传输中，带宽压力与系统延时瓶颈并存，硬件与算法层面的协同优化亟待突破。传感器在振动与温度变化等复杂工况下易发生参数漂移，现有方案多依赖人工标定和定期维护，尚未形成自动化、动态化的校准机制，难以保证长期稳定的高精度运行。
2) 跨行业标准协同与协议兼容性不足。
在受控的实验室环境中，L4级自动驾驶系统往往能够稳定运行，但一旦置身于复杂多变的城市道路，其可靠性就会显著降低。面对骤雨、大雪、浓雾等极端气候，以及行人乱穿马路、施工围挡等突发场景，现有算法的感知与决策能力仍显不足。与此同时，车路协同对毫秒级响应的苛刻要求，使得部署在路侧的边缘节点和依赖云端的全局优化之间矛盾凸显：前者算力有限，难以在流量激增或突发事件时及时处理数据；后者则受制于网络带宽和传输延迟，无法为实时决策提供可靠支持。更为困难的是，当车辆、路侧单元与云平台在算力调度、软件升级、故障诊断等方面协同工作时，设备维护成本和多主体控制的复杂性也迅速攀升。
4.1.2 数据安全与隐私风险
1) 车端数据隐私保护难题。
2) 车联网网络安全风险。
车路云协同系统确实提升了车辆、路侧基础设施以及云平台之间的互联互通能力，不过更多网络安全风险也随之暴露出来，攻击者有可能伪造V2X信号，致使车辆对路况出现误判，或者渗透进云控平台篡改交通调度指令，引发大规模事故，现有的通信加密以及入侵检测机制可在一定程度上缓解常见威胁，然而面对依托人工智能自适应策略发动的新型攻击，这些防护手段还是显得不够。更让人担心的是，车载娱乐系统与控制网络缺少严格的物理隔离，一旦娱乐系统被攻破，攻击者就能借此切入关键控制域，扩大攻击范围，加剧整体安全隐患。
3) 数据跨境流动与合规挑战。
4.2 展望
随着ICV和智慧交通基础设施融合程度不断加深，“双智”协同正快速成为下一代交通系统的核心支撑力量。在实现产业化落地以及规模化推广进程中，多模态感知融合、通信协议统一、算力资源调度、跨行业标准对接、政策法规配套以及网络安全防护等关键环节，仍然存在许多尚未解决的难题。要达成技术创新与产业应用的无缝衔接，需要在多方面协同努力：一是打通多源感知与算法平台，提高系统在复杂场景下的泛化能力；二是构建灵活且可扩展的协议转换与算力协同框架，契合实时响应和高并发的需求；三是加快跨部门、跨行业的标准化体系建设以及法规修订，保证合规与高效并重；四是完善端-边-云一体化安全防护机制，形成从硬件到软件、从检测到应急的全链条防御，共同为车路协同的大规模应用提供稳固支撑。
4.2.1 多模态感知融合的语义统一与对齐研究
在车路协同系统当中，车辆和路侧基础设施需要在复杂且多变的环境里达成高精度感知。如此一来，激光雷达、视觉摄像头以及毫米波雷达等多源传感器数据的融合就成了关键所在。然而不同类型的传感器在时空分辨率、噪声特性以及探测维度方面存在差异，致使跨模态数据对齐以及语义一致性难以得到保障。虽然基于Transformer的深度学习架构在整合多源时序数据、抵御恶劣天气和强光干扰方面表现出了一定优势，但是在实时性、计算资源消耗以及小样本场景下的泛化能力方面依旧面临着挑战。
针对上述问题，未来研究可从以下几个方面开展：
1) 在统一表示与可解释模型方面，应构建跨模态数据的共享表示空间，并设计具有可解释性的网络结构，例如轻量化的Transformer，以提升推理效率，同时加强异构特征的对齐；
2) 在主动学习与半监督微调方面，可在算法迭代过程中引入主动学习机制，并结合半监督学习策略，从而利用少量标注样本实现快速微调，提升模型在新场景下的适应能力；
3) 在智能自校准与在线校正方面，需要加强传感器组网条件下的协同标定与自适应校准研究，借助自学习算法对参数漂移进行实时监测，并实现自动触发在线校正，以保障系统在长期运行中的感知精度与稳定性。
4.2.2 统一通信协议与多协议兼容方案研究
中国积极推动C-V2X成为通信协议主流方案，不过由于DSRC在部分国家和地区已经有了广泛的部署，短期内2种协议并存甚至共同存在的情况难以避免，要达成跨区域、跨厂商的无缝互联，则必须构建统一的协议转换与动态适配机制[117]。目前软件定义网络(software defined network，SDN)技术可借助集中式控制平面对协议栈进行管理以及切换，在一定程度上缓解了多协议并存带来的网络控制难题。然而，当应用在覆盖范围更广、节点更多的车路协同场景中时，SDN的可扩展性与实时性能仍旧需要取得突破。
基于此，未来研究可从以下3个方向深入推进：
1) 在协议融合框架与自适应算法方面，可借助SDN与网络功能虚拟化，设计面向高速移动场景和频繁接入切换的低时延、高弹性协议栈自适应算法，从而实现多协议环境下智慧路网的互通。
2) 在安全认证与访问控制方面，应构建兼容DSRC与C-V2X的统一安全认证体系，并依托安全芯片或可信执行环境，统一开展密钥分发与策略执行管理，以确保多协议互操作过程中信息与身份的可信性。
3) 在标准化协同与场景化验证方面，需要加强与国内外标准化组织及产业链伙伴的合作，依托场景化测试与试点示范，制定可持续演进的技术路线，逐步推动通信协议的统一与互认。
4.2.3 端-边-云协同的算力动态调度优化
车路协同系统存在从实时决策直至全局优化的多层次计算需求，要构建“边缘—区域—中心”三级算力网络，然而当前各层在分工以及调度策略方面尚不成熟，致使系统在响应时延和资源利用效率之间难以做到兼顾。基于此，后续研究应当加强构建灵活高效的计算卸载与协同框架，让边缘节点可承担车辆即时控制以及环境数据预处理任务，并将复杂的路径规划和大规模交通预测等计算密集型工作分配给区域中心或者云端，以此最大程度降低系统时延与网络负载。同时有必要引入业务级服务质量(QoS)策略，将算力调度和任务优先级评估相结合，借助实时监测各节点的计算负载以及网络拥塞状况来动态分配资源，提升系统的鲁棒性。此外，可借助深度强化学习或元学习等AI驱动手段，在高速移动场景中对算力资源进行自适应编排，达成算力网络的自我优化与演进，提高车路协同的整体性能与可扩展性。
4.2.4 构建车路协同的主动免疫网络安全框架
在车联网环境中，从接入终端到通信协议、从数据交互到云控平台，各环节均面临愈发复杂的网络安全威胁，而传统的被动防御机制已难以抵御智能化、自适应化的攻击。为此，必须在资源受限的车辆终端与边缘节点上深度融合隐私增强算法与计算环境，以确保在有限算力下高效保护用户数据；同时需要构建面向大规模城市级部署的分布式入侵检测与协同防御体系，通过实时监测与动态响应平衡检测精度与系统时效；更要着力建立跨域统一的安全管理与认证机制，制定互认证书标准并引入可信执行环境，打破多产业、多系统间的“信任孤岛”，从而构建全链条的主动免疫网络安全框架。
5 结论
面向智慧城市与智能网联汽车(“双智”)深度融合的城市交通变革，传统以单主体、弱协同为特征的智能交通系统范式难以满足“车-路-云一体化”的实时性、可靠性与可扩展性要求。构建以“感知—传输—计算—控制”闭环为核心的多层次协同体系，是提升交通安全与效率、实现城市交通智能化转型的关键路径。本文围绕“双智”协同的运行逻辑与核心架构，系统梳理了智慧城市对ICV在智能信号控制、环境感知与通信保障等方面的赋能，以及ICV对城市交通态势感知与决策优化的反哺机制，构建了多层次车-路-云一体化系统框架；对比分析了国际与国内在车端智能化、路端智能化及车路云协同上的路径差异、产业落地与技术瓶颈；重点综述了通信感知一体化、车路云一体化控制、多传感器融合定位等关键技术，并归纳了当前的核心挑战与趋势。
