摘要：隨著我國(guó)智能網(wǎng)聯(lián)汽車(chē)技術(shù)的不斷發(fā)展，環(huán)境感知系統(tǒng)對(duì)整車(chē)安全性和智能化程度起著越來(lái)越重要的影響。當(dāng)前智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)普遍存在傳感器單一、數(shù)據(jù)利用率低等問(wèn)題，制約了其性能發(fā)揮。據(jù)此，在分析現(xiàn)有系統(tǒng)問(wèn)題的基礎(chǔ)上，提出了基于多源融合的優(yōu)化路徑，包括構(gòu)建多源異構(gòu)傳感器集成系統(tǒng)、引入多模態(tài)深度學(xué)習(xí)算法處理多元環(huán)境數(shù)據(jù)等關(guān)鍵技術(shù)，旨在提升系統(tǒng)的環(huán)境感知精準(zhǔn)度和決策智能化水平，為智能網(wǎng)聯(lián)汽車(chē)的安全高效運(yùn)行提供有力支撐。

關(guān)鍵詞：智能網(wǎng)聯(lián)汽車(chē)；環(huán)境感知系統(tǒng)；多源融合；異構(gòu)傳感器；深度學(xué)習(xí)；云邊端協(xié)同

中圖分類(lèi)號(hào)：U461" " " "收稿日期：2025-02-26" " " " DOI：1019999/jcnki1004-0226202504022

Optimization Path of Intelligent Networked Vehicle Environmental Perception System Based on Multi-source Fusion

Li Kun

Huanggang Polytechnic College，Huanggang 438000，China

Abstract：With the continuous development of intelligent connected vehicle technology in China， the environmental perception system has a crucial impact on the safety and intelligence of the entire vehicle The current intelligent connected vehicle environment perception system generally has problems such as single sensors and low data utilization， which restrict its performance Based on the analysis of existing system problems， this article proposes an optimization path based on multi-source fusion， including the construction of a multi-source heterogeneous sensor integration system， the introduction of multimodal deep learning algorithms to process diverse environmental data， and other key technologies The aim is to improve the system's environmental perception accuracy and decision-making intelligence level， providing strong support for the safe and efficient operation of intelligent connected vehicles

Key words：Intelligent connected vehicles;Environmental perception system;Multi-source fusion;Heterogeneous sensors;Deep learning;Cloud edge collaboration

1 前言

當(dāng)前，隨著自動(dòng)駕駛技術(shù)的快速發(fā)展，智能網(wǎng)聯(lián)汽車(chē)得到了廣泛關(guān)注和應(yīng)用，環(huán)境感知系統(tǒng)對(duì)于確保整車(chē)行駛安全、提高智能化水平至關(guān)重要。高性能的環(huán)境感知系統(tǒng)不僅需要準(zhǔn)確感知道路信息、車(chē)輛狀態(tài)、行人位置等，還需要基于所獲取的多元數(shù)據(jù)快速作出智能決策，指導(dǎo)車(chē)輛的下一步動(dòng)作。然而，現(xiàn)有智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)存在單一傳感器局限性、數(shù)據(jù)處理能力不足等諸多問(wèn)題，難以滿(mǎn)足未來(lái)自動(dòng)駕駛對(duì)感知精度和決策智能化的更高要求，亟須通過(guò)多源異構(gòu)信息融合等技術(shù)路徑對(duì)其進(jìn)行優(yōu)化和升級(jí)，以提升整體環(huán)境感知和決策控制水平，促進(jìn)智能網(wǎng)聯(lián)汽車(chē)技術(shù)的持續(xù)創(chuàng)新，為實(shí)現(xiàn)安全、高效、智能的自動(dòng)駕駛奠定堅(jiān)實(shí)基礎(chǔ)[1]。

2 智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)概述

智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)是實(shí)現(xiàn)自動(dòng)駕駛、智能輔助駕駛（ADAS）和車(chē)路協(xié)同（V2X）的核心技術(shù)之一，該系統(tǒng)通過(guò)多種傳感器融合，實(shí)現(xiàn)對(duì)車(chē)輛周?chē)h(huán)境的實(shí)時(shí)感知、目標(biāo)檢測(cè)和信息處理，從而提高駕駛安全性和智能化水平[2]。該系統(tǒng)通常采用激光雷達(dá)（LiDAR）、毫米波雷達(dá)、攝像頭（RGB/紅外）、超聲波雷達(dá)、GPS/IMU慣性導(dǎo)航等多種傳感器的融合，確保對(duì)車(chē)輛周?chē)h(huán)境的全面感知。由于不同傳感器各有優(yōu)缺點(diǎn)，所以智能網(wǎng)聯(lián)汽車(chē)需要采用傳感器數(shù)據(jù)融合技術(shù)，結(jié)合深度學(xué)習(xí)、目標(biāo)檢測(cè)、數(shù)據(jù)關(guān)聯(lián)等算法，實(shí)現(xiàn)對(duì)道路、障礙物、行人、車(chē)輛等目標(biāo)的精準(zhǔn)識(shí)別，如前向攝像頭與毫米波雷達(dá)結(jié)合可提高對(duì)前方車(chē)輛的檢測(cè)精度，激光雷達(dá)與高清地圖結(jié)合可提高自動(dòng)駕駛的定位精度。這種多傳感器協(xié)同感知模式使智能網(wǎng)聯(lián)汽車(chē)能夠在各種復(fù)雜場(chǎng)景（如夜間、雨霧天氣、隧道等）下保持穩(wěn)定的感知能力，提高行車(chē)安全性和可靠性[3]。

另外，環(huán)境感知系統(tǒng)需要處理大量傳感器數(shù)據(jù)，因此高效的智能算法至關(guān)重要。目前，基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)算法（如YOLO、Faster R-CNN）、點(diǎn)云處理算法（如VoxelNet、PointNet）、目標(biāo)跟蹤算法（如Kalman濾波、光流法）等廣泛應(yīng)用于智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)。例如，在行人檢測(cè)任務(wù)中，融合光學(xué)攝像頭和紅外攝像頭圖像的深度學(xué)習(xí)模型可提高夜間行人檢測(cè)的準(zhǔn)確率；在動(dòng)態(tài)目標(biāo)跟蹤任務(wù)中，結(jié)合毫米波雷達(dá)和激光雷達(dá)數(shù)據(jù)的目標(biāo)跟蹤算法可提高車(chē)輛、行人等移動(dòng)目標(biāo)的軌跡預(yù)測(cè)精度。為了提高數(shù)據(jù)處理的實(shí)時(shí)性，智能網(wǎng)聯(lián)汽車(chē)通常采用邊緣計(jì)算、車(chē)載AI芯片（如NVIDIA Orin、華為昇騰）、5G-V2X通信等技術(shù)，加快感知數(shù)據(jù)的計(jì)算和交互，使車(chē)輛能夠在毫秒級(jí)時(shí)間內(nèi)做出決策[4]。

3 當(dāng)前智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)存在的問(wèn)題

當(dāng)前智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)依賴(lài)于激光雷達(dá)、毫米波雷達(dá)、攝像頭、超聲波雷達(dá)等多種傳感器，然而，這些傳感器在復(fù)雜環(huán)境下仍然存在感知盲區(qū)和性能下降的問(wèn)題。在極端天氣條件（如濃霧、大雨、強(qiáng)光照射、積雪覆蓋）下，攝像頭的圖像質(zhì)量會(huì)受到嚴(yán)重影響，導(dǎo)致車(chē)道線識(shí)別錯(cuò)誤、行人檢測(cè)失敗等問(wèn)題，而毫米波雷達(dá)雖然在惡劣天氣下表現(xiàn)較好，但其分辨率較低，難以精準(zhǔn)識(shí)別靜態(tài)物體和小型障礙物。而在隧道、地下停車(chē)場(chǎng)、高層建筑密集區(qū)等GPS信號(hào)較弱的環(huán)境中，車(chē)輛的定位精度會(huì)下降，影響高精度地圖匹配和路徑規(guī)劃。同時(shí)，車(chē)輛在高速行駛、緊急變道、復(fù)雜交叉路口等動(dòng)態(tài)駕駛場(chǎng)景下，感知系統(tǒng)需要在極短時(shí)間內(nèi)做出精準(zhǔn)判斷，而當(dāng)前的計(jì)算能力和算法優(yōu)化仍然難以保證毫秒級(jí)響應(yīng)，可能導(dǎo)致檢測(cè)延遲或決策錯(cuò)誤，增加事故風(fēng)險(xiǎn)。因此，當(dāng)前智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)在面對(duì)復(fù)雜氣象條件、動(dòng)態(tài)交通環(huán)境和特殊地理場(chǎng)景時(shí)仍存在一定的不穩(wěn)定性，影響自動(dòng)駕駛的安全性和可靠性[5]。

智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)通常采用傳感器融合技術(shù)，將激光雷達(dá)的點(diǎn)云數(shù)據(jù)、毫米波雷達(dá)的速度信息、攝像頭的視覺(jué)圖像、IMU/GPS的位置信息進(jìn)行綜合處理，以提高環(huán)境感知的準(zhǔn)確性，而在實(shí)際應(yīng)用中，不同傳感器的數(shù)據(jù)格式、采樣頻率、時(shí)間同步機(jī)制存在差異，導(dǎo)致數(shù)據(jù)融合過(guò)程中可能產(chǎn)生誤差。例如，激光雷達(dá)和攝像頭的坐標(biāo)系不同，在進(jìn)行點(diǎn)云與圖像匹配時(shí)，可能會(huì)出現(xiàn)目標(biāo)錯(cuò)位、邊界模糊等問(wèn)題；毫米波雷達(dá)雖然能夠檢測(cè)到遠(yuǎn)距離目標(biāo)的相對(duì)速度，但在目標(biāo)較近時(shí)，會(huì)受到多徑效應(yīng)干擾，導(dǎo)致虛假目標(biāo)檢測(cè)[6]。在高動(dòng)態(tài)環(huán)境（如高速公路、城市復(fù)雜路口）下，多個(gè)傳感器的數(shù)據(jù)采集時(shí)間戳不同步，可能會(huì)導(dǎo)致系統(tǒng)在融合信息時(shí)產(chǎn)生目標(biāo)漂移、運(yùn)動(dòng)軌跡誤判等問(wèn)題。例如，在自動(dòng)駕駛系統(tǒng)進(jìn)行行人避讓時(shí)，如果傳感器數(shù)據(jù)存在時(shí)間延遲，會(huì)導(dǎo)致車(chē)輛低估或高估行人的運(yùn)動(dòng)軌跡，從而影響制動(dòng)或轉(zhuǎn)向決策的準(zhǔn)確性。

4 基于多源融合的智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)優(yōu)化

41 采用多模態(tài)傳感器協(xié)同感知

在智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)中，單一傳感器難以適應(yīng)復(fù)雜多變的交通環(huán)境，需要采用多模態(tài)傳感器協(xié)同感知，即融合激光雷達(dá)、毫米波雷達(dá)、攝像頭、超聲波雷達(dá)、V2X（車(chē)路協(xié)同）等多種數(shù)據(jù)源，構(gòu)建更加穩(wěn)定、精準(zhǔn)的環(huán)境感知體系。這種協(xié)同感知方式能夠彌補(bǔ)單一傳感器的局限性，提高感知系統(tǒng)在惡劣天氣、復(fù)雜交通場(chǎng)景、高動(dòng)態(tài)駕駛環(huán)境下的適應(yīng)能力，具體如表1所示。

不同類(lèi)型的傳感器具備不同的感知特點(diǎn)，例如，激光雷達(dá)可提供高精度3D點(diǎn)云數(shù)據(jù)，但受雨霧天氣影響較大；毫米波雷達(dá)可穿透惡劣天氣，但難以精準(zhǔn)識(shí)別靜態(tài)目標(biāo)；攝像頭可捕捉細(xì)節(jié)信息，但在低光環(huán)境下易失效。為了提高環(huán)境感知系統(tǒng)的全面性，需要通過(guò)多模態(tài)數(shù)據(jù)融合，結(jié)合各傳感器的優(yōu)勢(shì)，構(gòu)建更加精準(zhǔn)的環(huán)境模型，如在高速公路場(chǎng)景中，利用毫米波雷達(dá)檢測(cè)前方目標(biāo)速度，結(jié)合攝像頭識(shí)別目標(biāo)類(lèi)別（如車(chē)輛、行人、自行車(chē)等），再通過(guò)激光雷達(dá)獲取精確距離信息，可以有效提升車(chē)輛對(duì)前方障礙物的識(shí)別能力。在夜間或低能見(jiàn)度環(huán)境下，紅外攝像頭與毫米波雷達(dá)結(jié)合可以增強(qiáng)行人和動(dòng)物檢測(cè)能力，避免因光照不足導(dǎo)致的誤判[7]。

由于不同傳感器在不同環(huán)境下的性能表現(xiàn)不同，單一的固定融合策略難以保證感知系統(tǒng)的穩(wěn)定性，研究人員可以采用動(dòng)態(tài)權(quán)重分配的多傳感器融合策略，根據(jù)實(shí)時(shí)環(huán)境調(diào)整各傳感器的感知權(quán)重，確保系統(tǒng)在不同場(chǎng)景下都能保持較高的感知精度。例如，在晴天和良好照明條件下，攝像頭的感知權(quán)重較高，用于識(shí)別車(chē)道線、交通標(biāo)志、行人等目標(biāo)；而在雨霧天氣或夜間，毫米波雷達(dá)和V2X感知數(shù)據(jù)的權(quán)重增加，補(bǔ)充攝像頭感知不足的問(wèn)題[8]。此外，在高速行駛時(shí)，激光雷達(dá)的數(shù)據(jù)更新頻率需適當(dāng)提高，確保系統(tǒng)能夠快速響應(yīng)前方動(dòng)態(tài)目標(biāo)的變化，而在低速停車(chē)或城市擁堵環(huán)境中，超聲波雷達(dá)的作用增強(qiáng)，用于精準(zhǔn)檢測(cè)近距離障礙物。基于環(huán)境自適應(yīng)調(diào)整的融合策略可以有效提升感知系統(tǒng)的穩(wěn)健性，使智能網(wǎng)聯(lián)汽車(chē)能夠在各種復(fù)雜場(chǎng)景下實(shí)現(xiàn)精準(zhǔn)環(huán)境感知。

42 優(yōu)化多傳感器數(shù)據(jù)融合算法

在智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)中，多源融合的數(shù)據(jù)處理是提高感知準(zhǔn)確性和決策效率的關(guān)鍵，隨著傳感器技術(shù)的發(fā)展和計(jì)算能力的增強(qiáng)，優(yōu)化多傳感器數(shù)據(jù)融合算法成為提升智能網(wǎng)聯(lián)汽車(chē)自動(dòng)駕駛性能的重要環(huán)節(jié)。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合已顯著提升了處理復(fù)雜數(shù)據(jù)的能力。對(duì)于智能網(wǎng)聯(lián)汽車(chē)而言，一個(gè)關(guān)鍵的優(yōu)化方向是開(kāi)發(fā)能夠更有效整合異構(gòu)傳感器數(shù)據(jù)的深度學(xué)習(xí)模型。傳統(tǒng)的融合方法如早期融合、晚期融合，或特征級(jí)融合已經(jīng)在多個(gè)應(yīng)用場(chǎng)景中被證明有其局限性，尤其是在處理時(shí)間同步和空間對(duì)齊問(wèn)題時(shí)。因此，研究人員可以采用多視圖學(xué)習(xí)（Multi-view learning）技術(shù)，這種技術(shù)能夠從不同傳感器提取的特征中學(xué)習(xí)到更加豐富的表征信息。具體來(lái)說(shuō)，研究人員可以實(shí)現(xiàn)一個(gè)基于張量分解的多視圖融合框架，該框架通過(guò)在一個(gè)統(tǒng)一的張量空間中整合各傳感器數(shù)據(jù)，利用高階的數(shù)據(jù)關(guān)聯(lián)性提高融合效率。設(shè)X1，X2，…，Xn為不同傳感器采集的數(shù)據(jù)矩陣，通過(guò)張量T進(jìn)行融合，可以表示為：

T = f （X₁，X₂，…，Xn）" （1）

式中，f是一個(gè)高階融合函數(shù)，可以是深度學(xué)習(xí)模型中的一個(gè)多層網(wǎng)絡(luò)結(jié)構(gòu)。該結(jié)構(gòu)被訓(xùn)練以最大化從不同數(shù)據(jù)源中提取的信息的互補(bǔ)性，通過(guò)優(yōu)化如交叉熵?fù)p失或均方誤差等損失函數(shù)，網(wǎng)絡(luò)能夠?qū)W習(xí)到如何有效地結(jié)合來(lái)自各個(gè)傳感器的信息，以提供更準(zhǔn)確的環(huán)境感知結(jié)果。

另外，在多傳感器融合中，不同傳感器的有效性可能會(huì)因環(huán)境條件（如天氣、光照等）而變化，開(kāi)發(fā)一種自適應(yīng)調(diào)整各傳感器權(quán)重的算法對(duì)于提高系統(tǒng)的魯棒性和適應(yīng)性至關(guān)重要，這種方法通過(guò)實(shí)時(shí)評(píng)估各傳感器的性能，動(dòng)態(tài)調(diào)整它們?cè)跊Q策過(guò)程中的影響力，可以顯著提高系統(tǒng)在多變環(huán)境下的穩(wěn)定性和準(zhǔn)確性。

設(shè)w₁，w₂，…，w_n為各傳感器的權(quán)重，并通過(guò)一個(gè)權(quán)重調(diào)整函數(shù)g來(lái)動(dòng)態(tài)更新這些權(quán)重，其中g(shù)根據(jù)傳感器的實(shí)時(shí)反饋和外部環(huán)境因素調(diào)整權(quán)重，具體表示為：

wit+1=gwit，pit，et" （2）

式中，wi為在時(shí)間t的權(quán)重；pi為傳感器i在時(shí)間t的性能指標(biāo)；et為環(huán)境狀態(tài)，研究人員通過(guò)優(yōu)化算法如強(qiáng)化學(xué)習(xí)或在線學(xué)習(xí)策略，使g函數(shù)能夠?qū)崿F(xiàn)在不斷變化的環(huán)境下對(duì)權(quán)重的實(shí)時(shí)優(yōu)化。

綜合這兩種方法，通過(guò)深度學(xué)習(xí)模型的高級(jí)融合能力和自適應(yīng)權(quán)重分配機(jī)制的實(shí)時(shí)調(diào)整，可以顯著提升智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)的性能，確保在各種復(fù)雜的駕駛環(huán)境中都能提供可靠且精確的感知信息，為自動(dòng)駕駛安全提供堅(jiān)實(shí)的技術(shù)保障，這些優(yōu)化策略將推動(dòng)智能網(wǎng)聯(lián)汽車(chē)技術(shù)向更高級(jí)的自動(dòng)駕駛功能邁進(jìn)，確保其在現(xiàn)實(shí)世界中的廣泛應(yīng)用和發(fā)展。

5 結(jié)語(yǔ)

智能網(wǎng)聯(lián)汽車(chē)的環(huán)境感知系統(tǒng)是實(shí)現(xiàn)自動(dòng)駕駛技術(shù)的關(guān)鍵所在。通過(guò)構(gòu)建多源異構(gòu)傳感器集成系統(tǒng)，引入多模態(tài)深度學(xué)習(xí)方法處理多元環(huán)境數(shù)據(jù)，優(yōu)化多傳感器數(shù)據(jù)融合算法等關(guān)鍵技術(shù)路徑，可以顯著提升系統(tǒng)的環(huán)境感知精準(zhǔn)度和決策智能化水平。這些優(yōu)化措施將進(jìn)一步增強(qiáng)智能網(wǎng)聯(lián)汽車(chē)在復(fù)雜多變環(huán)境下的適應(yīng)性和穩(wěn)健性，提高自動(dòng)駕駛的安全可靠性，為行業(yè)的持續(xù)創(chuàng)新發(fā)展注入新的動(dòng)力。從單一傳感器向多模態(tài)感知、從傳統(tǒng)融合方法向深度學(xué)習(xí)融合、從固定策略向自適應(yīng)決策轉(zhuǎn)變，必將推動(dòng)智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知系統(tǒng)實(shí)現(xiàn)質(zhì)的飛躍，為安全、高效、智能的自動(dòng)駕駛奠定堅(jiān)實(shí)的技術(shù)基礎(chǔ)，助力這一顛覆性創(chuàng)新技術(shù)在未來(lái)交通體系中發(fā)揮更大的變革作用，造福人類(lèi)生活。

參考文獻(xiàn)：

[1]湯忠盛環(huán)境感知系統(tǒng)在智能網(wǎng)聯(lián)汽車(chē)上的應(yīng)用研究[J]內(nèi)燃機(jī)與配件，2024（12）：111-113

[2]王繼紅，馮世杰卡爾曼濾波在智能網(wǎng)聯(lián)汽車(chē)狀態(tài)估計(jì)中的應(yīng)用研究[J]專(zhuān)用汽車(chē)，2025（3）：101-104

[3]趙國(guó)平，劉月梅，楊雯雯，等基于數(shù)字孿生的智能網(wǎng)聯(lián)汽車(chē)預(yù)測(cè)性維護(hù)系統(tǒng)研究與實(shí)踐[J]專(zhuān)用汽車(chē)，2025（3）：111-113

[4]李晶計(jì)算機(jī)技術(shù)在智能網(wǎng)聯(lián)汽車(chē)故障診斷中的應(yīng)用[J]汽車(chē)測(cè)試報(bào)告，2024（20）：80-82

[5]蔡羽，黃柯童，馬文博密碼技術(shù)在智能網(wǎng)聯(lián)汽車(chē)無(wú)線通信領(lǐng)域的應(yīng)用研究[J]專(zhuān)用汽車(chē)，2025（2）：38-40

[6]姜鋒，湯亞豐，岳歡歡，等智能網(wǎng)聯(lián)汽車(chē)環(huán)境感知傳感器技術(shù)課程資源開(kāi)發(fā)[J]汽車(chē)實(shí)用技術(shù)，2022，47（3）：178-181

[7]馬文博，汪溪，蔣樹(shù)國(guó)基于整車(chē)無(wú)線通信OTA的測(cè)試分析[J]專(zhuān)用汽車(chē)，2025（1）：74-76

[8]陳歡磊，申亞飛，沈莉智能網(wǎng)聯(lián)汽車(chē)封閉測(cè)試場(chǎng)地路端環(huán)境感知系統(tǒng)的不確定度評(píng)定[J]工業(yè)計(jì)量，2023，33（S1）：99-102

作者簡(jiǎn)介：

李琨，男，1992年生，技師，研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車(chē)技術(shù)專(zhuān)業(yè)建設(shè)管理及教學(xué)。