《Accident Analysis & Prevention》：Proactive safety at CVIS-enabled intersections: a framework based on high-fidelity trajectory reconstruction and dynamic risk assessment
编辑推荐：
协同车辆-基础设施系统（CVIS）中基于边缘计算的高精度轨迹重建与动态风险评估框架，通过物理约束优化的小波变换降噪和车辆轮廓冲突检测算法（VOCA），显著提升低资源边缘设备的实时性与检测精度。摘要：
李云轩|王世豪|岳立生萨|魏中华|郑文辉|张琳
北京工业大学城市交通学院交通工程重点实验室，中国北京100124
摘要
高保真度的车辆轨迹对于交叉口的主动安全至关重要，而基于线性模型或插值的传统重建方法无法捕捉到突然停车和急转弯等复杂的非线性动态。尽管深度学习可以模拟这种复杂性，但其计算成本过高，无法用于实时边缘计算部署。为了解决这些挑战，本文提出了一种基于边缘计算的增强型两阶段框架，用于高保真度轨迹重建和动态风险评估，专门针对交叉口的协作式车路系统（CVIS）设计。第一阶段通过应用来自车辆动力学的物理信息约束，结合自适应小波变换和混合阈值策略，从低质量的多源传感器数据中实现稳健的噪声降低。第二阶段引入了基于车辆轮廓的冲突算法（VOCA），将传统的基于点的冲突检测提升为基于轮廓的空间重叠分析。通过准确建模车辆的真实物理边界，所提出的方法显著提高了冲突检测的灵敏度和及时性，从而在复杂的城市环境中实现更可靠的主动安全干预。使用NVIDIA Jetson边缘设备上的真实世界交叉口数据进行了验证，我们的方法有效抑制了高频噪声，将加速度波动降低了98.66%。基于轮廓的VOCA明显优于传统方法，其中基于中心点的算法仅检测到我们算法所识别冲突的22.53%。整个框架实现了实时性能，处理复杂场景时每辆车每帧的延迟小于100毫秒。这项工作为生成准确、低延迟的冲突警告提供了一种高效的解决方案，推动了CVIS在城市环境中主动安全管理的实际应用。
引言
协作式车路系统（CVIS）在动态风险识别和早期预警方面代表了革命性的突破，特别是在像交叉口这样的复杂交通场景中。通过集成路边单元（RSU）、边缘计算和云平台，CVIS融合了多源传感器数据，以重建车辆轨迹并实时全面了解整个交叉口的情况（Cao等人，2024年；Ji等人，2024年）。与传统依赖孤立车载感知的方法不同，CVIS的核心优势在于其“车辆-道路-云”三方协作框架（Yazdani Bejarbaneh等人，2024年）。这种架构使系统具有超出任何单一车辆视线范围的感知能力，能够精确识别由障碍物或非视距（NLOS）条件引起的潜在冲突点。当系统检测到两个或多个道路使用者的轨迹在时空上非常接近，表明存在碰撞风险时（Abdel-Aty等人，2023年），它利用车对一切（V2X）通信向所有受影响的道路使用者（包括人工驾驶车辆和联网及自动驾驶车辆）及时准确地发出警告（Zhao等人，2023年）。这种主动和全面的危险警报显著弥补了人类驾驶员或车载自主系统的感知局限，从而大大降低了碰撞风险，提高了交叉口所有参与者的交通安全。
多传感器融合是CVIS的核心优势之一，它整合了摄像头和毫米波雷达等数据源。这种方法在恶劣天气等不利条件下显著提高了感知的鲁棒性和响应速度（Yao等人，2024年）。然而，这种融合策略产生的大量动态数据带来了一个严峻的挑战，在云计算和边缘计算之间形成了一个关键的权衡。一方面，利用云计算的强大资源可以执行复杂的算法，有效处理数据并实现高精度的车辆轨迹识别（Karangwa等人，2023年；Nocua等人，2025年）。然而，这种方法受到固有网络延迟的限制。数据往返云端的所需时间会严重影响风险识别的效率和警告的及时性，从而降低系统的实际价值。另一方面，在路边边缘节点部署计算被认为是提高警报及时性和稳定性的关键策略。然而，边缘节点的计算能力有限，在处理大量数据时成为主要瓶颈。特别是在处理多传感器融合中的结构噪声（如雷达数据）时尤为明显（Griffiths等人，2015年）。处理这种噪声所需的复杂过滤和校正算法计算强度高，导致处理效率大幅下降。最终，这可能会降低车辆轨迹重建的准确性，甚至导致错误输出，威胁到主动碰撞避免系统的可靠性。因此，在资源受限的边缘设备上实现高效准确的轨迹重建仍然是CVIS面临的核心技术瓶颈之一。
高保真度轨迹重建是识别微观级交通冲突和实现精确风险警告的基石。传统的风险评估方法，如替代安全措施（SSM），如碰撞时间（TTC）和侵入后时间（PET）（Arun等人，2021年），通常将车辆简化为无量纲的质量点。这种模型忽略了车辆作为物理实体的基本属性及其复杂的动态行为，从而限制了警告的准确性和及时性。高保真度轨迹重建的重要性体现在两个核心方面：一方面，它考虑了车辆的实际大小和轮廓，而不仅仅是将其视为一个简单的点。这意味着系统可以准确计算两辆车体边缘之间的最小距离，或直接判断它们的物理轮廓是否即将重叠。这种基于实体的评估比传统的基于质心的距离计算更能真实反映即将发生的碰撞风险。另一方面，它能够捕捉到更微妙的车辆动态。通过高时间分辨率数据，系统可以识别瞬时动作，如突然加速、紧急制动或突然转向，并分析这些动作如何立即影响周围车辆的状态（SV）。通过更精确地量化车辆交互并基于它们的物理形态和动态变化进行预测，我们可以在碰撞发生之前更早地识别出危险情况。这为人类驾驶员和自动驾驶系统提供了宝贵的警告时间，并为智能交通管理提供了更高质量的决策支持。
为了解决上述挑战，本研究提出了一种基于CVIS的车辆轨迹重建和交叉口风险评估的新框架。主要贡献总结如下：
- (1)
提出了一种针对边缘计算优化的两阶段车辆轨迹重建方法。使用车辆动力学约束（如抖动以及纵向和横向加速度）识别并过滤原始传感器数据中的异常值。然后建立了一种具有动态感知能力的离散小波变换（DWT）进行去噪。通过这种技术，自动为每条轨迹匹配最佳的小波基，并结合混合阈值策略，高精度地重建交叉口中车辆? ??? ?? ??。
- (2)
开发了一种基于车辆轮廓的高精度冲突检测算法（VOCA）。实时构建一个反映车辆实际大小、长度和宽度的动态边界框（BBOX），以准确表示车辆在道路上的物理空间。通过这种基于轮廓的方法，效率显著提高，可以比传统的基于中心点的冲突检测方法更早地识别车辆冲突风险。
- (3)
在路边单元（RSU）边缘计算节点（NVIDIA Jetson平台）上测试了轨迹重建和冲突检测算法。测试结果表明，可以实现低延迟、高精度的轨迹重建，并提供可靠的风险评估。
本文的其余部分组织如下：第2节总结了相关工作。第3节介绍了本文使用的方法论。第4节介绍了研究地点和所使用的数据。第5节提供了结果的详细分析和讨论。最后，第6节总结了本文的主要发现和潜在的未来方向。
章节片段
文献综述
车辆轨迹重建是智能交通系统（ITS）感知能力的关键环节，对于交通流量分析、安全警告和自动驾驶决策至关重要。现有的轨迹重建研究广泛应用于高速公路和城市交通场景。在高速公路环境中，研究主要集中在特定行为模式的精确建模和预测上，例如车辆跟随和变道。
边缘增强型轨迹重建和风险评估
在本研究中，引入了一种用于CVIS的边缘增强型轨迹重建和风险评估方法（图1），从而从根本上提高了交叉口的安全性。所提出的方法基于两个关键功能。首先，在厘米级和车辆轮廓级别实现了高保真度的车辆轨迹重建。通过CVIS基础设施提供的这种精度，可以评估碰撞风险。
数据描述
本研究使用的数据集来自位于北京高级自动驾驶示范区（BJHAD）内的荣华南路和金秀街交叉口的一个代表性城市交叉口，如图4所示。BJHAD被认为是世界上第一个车路云一体化的先进自动驾驶示范区。它已经完成了3.0阶段的建设。第1.0阶段建立了实验环境；第2.0阶段
实验结果和讨论
所提出框架的一个关键要素是其在CVIS上的实时适用性，如第3.1节所详细说明的。为了验证其实用性，将两步轨迹重建和实时冲突检测算法嵌入到了NVIDIA Jetson Xavier Nx-J2021 RSU原型中（8核ARM CPU和21 TOPS）。该原型代表了当前的V2X交叉口MEC平台。
结论
本研究开发并验证了一种用于CVIS交叉口中车辆高保真度轨迹重建和动态风险评估的新框架，专门设计用于在资源受限的边缘设备上高效运行。通过将物理信息算法与高保真度的基于车辆轮廓的冲突检测模型相结合，本研究为城市交叉口的主动安全管理提供了解决方案。该框架已在NVIDIA平台上进行了部署和测试
CRediT作者贡献声明
李云轩：撰写——原始草稿、方法论、资金获取、概念化。王世豪：撰写——原始草稿、方法论、形式分析、数据整理。岳立生萨：监督、方法论、形式分析、概念化。魏中华：方法论、资金获取、形式分析。郑文辉：形式分析、数据整理。张琳：撰写——审稿与编辑、监督、方法论、概念化。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。
致谢
本项工作得到了国家自然科学基金（NSFC）青年项目（编号：52402393、72504032和62203021）的支持。
