车载感知伴随智能驾驶而生，结合摄像机、毫米波雷达、激光雷达、超声波雷达等传感器，利用车载边缘计算实现对车辆周围环境的感知。近些年，自动驾驶技术发展很快，在某些场景已经可以实现较高级别的自动驾驶，但是自动驾驶的“落地”还存在很多长尾效益需要车路协同与路侧感知技术来弥补，也就是通常说的聪明车离不开智慧路。

所谓路侧感知就是利用摄像机、毫米波雷达、激光雷达等传感器，并结合路侧边缘计算，实现对该路段的全息感知。车载感知和路侧感知有同有异，主要从感知视角、感知对象、感知方法、感知精度与实时性这几方面来体现：

车载传感器受限于车辆本身，感知视角受限，存在一定感知盲区，感知范围易受到特殊路况、前方车辆或障碍物遮挡的影响，难以实现对周边环境的全面感知。例如，在弯道场景中，若弯道出口处发生交通事故，车辆在入弯时无法感知，需等车辆准备出弯，停止的事故车辆才可能被车载传感器感知，此时留给车辆决策规划时间很短，易发生二次事故，不利于行车安全。

路侧感知因传感器部署于路侧，部署方式多种多样，且一般为“上帝视角”，它能有效弥补车载感知的盲区，增强驾驶安全性。比如，车辆进入隧道前，隧道口亮度比较暗，形成黑洞效应，导致隧道口内形成盲区，可以通过在隧道入口处安装路侧感知设备，感知隧道口附近的道路情况。

路侧传感器安装在高处，能够比车载传感器感知更远的距离，且不易受视线遮挡的影响，同时利用V2X技术，可实现超视距感知，将路侧传感器感知到的异常路况信息在车辆距离异常路段较远时，发送给车辆大大拓展了车辆决策规划时间。

车载感知与路侧感知都能对行人、车辆、前方障碍物、交通信号灯和交通标识标牌等进行感知，但二者关注的重点有所区别。车载感知一般关注瞬时信息，如当前时刻目标的相对位置，相对速度，所在车道等，而路侧感知的瞬时信息是目标的绝对位置与绝对速度。此外，路侧感知还关注过程信息，即一段时间内对检测目标的状态进行统计，如异常驾驶，违章车辆，交通事故，交通流量等。

不同的感知对象给车载感知和路侧感知带来的挑战是不一样的。比如车道线、交通标识牌和交通信号灯等，是车载感知的重点和难点。而对于路侧感知而言，除了安全类的场景，路侧感知还需关注交通监管类场景，如车牌识别、车型识别、车身颜色识别等，这是车载感知较少关注的。

路侧感知方法在技术理论上与车载感知方法是相通的，主要借助视觉传感器、毫米波雷达和激光雷达等多种传感器，充分运用标定理论、深度学习相关目标检测、识别、分割等神经网络模型，以及多传感器融合理论等基本理论方法实现对目标的检测、跟踪、定位等。但是在具体的应用实现过程中又有所区别。

首先，对于传感器标定方面。传感器的标定作用是实现对目标的定位，车载感知侧重相对定位，而路侧感知侧重绝对定位。车载感知传感器标定，是进行各传感器之间相对坐标系之间的标定，它在车上被安装固定后，可以选择或搭建合适的场地进行标定。

而路侧传感器标定主要是建立各传感器与地球坐标系的标定，实现对感知目标的绝对定位，因此它只能在被安装的道路上进行标定，相对来说道路环境更复杂，干扰较多，标定更复杂一些，需加入一些特殊的方法进行辅助标定。

比如已开通的高速路段，车辆行车速度很快，也不方便进行整段封路，标定需要的标志物不能放置在道路上，需要考虑利用正常行驶的车辆进行标定。

第二，对于训练数据样本方面。深度学习的神经网络模型的最基本需求是数据，所以由于前文提到的感知视角的不同，导致数据不通用，对数据标注与模型设计训练等工作带来不一样的要求。

由于路侧传感器捕捉的目标具有更丰富的外观、尺度变化等特征，而车载感知的样本数据不能满足路侧感知所需要数据的多样化需求，因此路侧数据需重新采集，同时带来了很大的标注工作。

而且对神经网络的设计与训练带来了更大的挑战，如网络设计的时候需要考虑目标变化的尺度以及目标部分存在的泛化能力等。另外，路侧端相对车载端来说可以提供更高的算力，可以选择的网络模型更多，例如更复杂的网络模型。

第三，对于感知算法方面。路侧感知与车载感知的感知区域背景不同，导致某些算法不同。

车载传感器的感知区域背景是动态的，而路侧传感器安装在道路杆件上，相对道路是静止的，其感知区域是固定的，感知区域背景在一段时间之内变化不大，因此可以加入一些利用静态背景的算法去提高感知精度，如背景建模、区域分割等。

另外，路侧激光雷达因感知区域固定，可以建立更加准确的滤地模型，这在坡度起伏的路段相比车载激光雷达感知精度更高。

第四，对于感知目标的跟踪方面。由于路侧传感器与车载传感器视角不同，导致获取的数据不一样，路侧感知目标的尺度变化更大，外观特征多样等，对数据样本的多样性要求更高，需要大量的数据，需针对性的对多目标跟踪设计网络与训练模型。其次对于某些特定的场景路侧感知对跟踪有较高的要求，需要长时间跟踪的目标数量比较多，种类也比较多，有乘用车、卡车、货车/公交车、摩托车、行人、自行车等动态目标。

比如城市交叉路口场景，由于涉及到的目标数量多、种类多，且存在较多的目标间遮挡，场景比较复杂，长时间的多目标跟踪对算法提出了较高的要求。

车载感知由于感知距离有限，对实时性要求特别高，它需要实时将感知结果输出给车辆决策规划部分，便于有异常情况时，车辆能及时作出反应。同时对感知精度要求也较高，避免因精度原因引起预判与规划错误。而路侧感知的精度和实时性可根据具体场景和成本灵活调配，如果部分路段或场景对时延要求更高，可以降低传感器数量，甚至是增加路侧边缘计算单元的性能以满足要求。

毫米波雷达与激光雷达对识别目标的定位精度高。目前路侧感知方案可达到定位精度如下表所示（传感器高度为6米）：