车路云一体化路侧感知系统数据质量研究综述
中图分类号：U471DOI：10.20042/ki.1009-4903.2025.02.008
Abstract：AstheVRCIntegratinprojectadvanceseicleoadcolaborationapplicationsaveproiferatedyetroadsidepceptiodataquaityremainsunevenacrossChineseregions.ThispaperfocusesonthedataqualityofVRCIntegrationroadsideperceptionsystems.ThispaperinvestigatesdataqualityinVRC-integratedroadsideperceptionsystems，systematizingdatasourcesandclasificationswhilerigorouslyanalyzingmultidimensionalmetricsforevaluatingperceptiondataquality.Byexaminingdataqualityrequirementsviascenarioonstructionanddataonboardingpracticesinvicularsystems，thisstudysummarzescurentalengesindataqualitymanagement.TheanalysisimstoprovideinsightsforVCIntegrationiniativesfromadataqualityperspectivewhilealsoproposingdevelopmentaldirectionsforrefiningqualitystandardsandadvancingtechnologicalinnovations.KeyWords：Vehicle-Road-CloudIntegration;Roadsideperception;Dataquality;Data-onboarding
当前，“车路云”一体化技术已成为推动自动驾驶和智慧城市落地的核心引擎。其中，路侧感知系统利用安装在道路杆件上的路侧设备所提供的上帝视角，能够突破单车智能的感知局限（如盲区、算力不足），从全局视角为车辆解析交通态势，进而实现高精定位、碰撞预警、协同路径规划等功能。
近年来，国内外在车路协同与路侧感知领域取得了显著进展。在美国，其政策逐渐从专用短程通信技术转向支持蜂窝车联网（CellularVehicle-to-everything，C-V2X）。欧洲在V2X技术上采取了专用短程通信和C-V2X并行发展的策略。在国内，车路云一体化试点城市的公布意味着V2X从测试验证到规模化应用的关键转折点（；测试方面，IMT-2020（5G）推进组牵头组织了C-V2X“四跨”先导应用实践活动，主办方利用路侧真值系统和车载真值系统进行测试，结果表明：交通参与者定位偏差波动较大以及路侧感知融合算法等仍需持续优化，归因于对路侧感知的数据质量并没有提供强制性指标要求[2]。
综上所述，现有研究依然存在的路侧数据质量可靠性问题逐渐凸显：传感器的标定误差、算法漏检误检等缺陷，可能导致系统级的安全隐患与效率瓶颈，而数据质量的标准化缺失则阻碍了跨平台协同效率的提升。
1路侧感知数据及质量
1.1数据来源及分类
车路云一体化路侧感知系统由路侧感知设备和边缘计算设备组成[3。路侧感知系统利用安装在路侧电警杆或红绿灯杆件上的摄像机、毫米波雷达等感知传感器获取当前所覆盖道路交通环境的图像、点云等原始感知数据；其次是通过边缘计算单元对感知设备采集的原始感知数据进行处理和计算。边缘计算设备是部署在抱杆箱、路侧落地机柜或者机房等位置的边缘计算服务器、工控机等计算设备，最终利用C-V2×通讯技术实现路端、车端和云端的信息交互。
路侧感知数据可作如下分类：（1）原始感知数据，即路侧感知系统通过摄像机、毫米波雷达等设备所收集的原始数据，包括视频、点云等数据。（2）融合感知数据，包括通过路侧传感器标定和边缘计算能力，对原始感知数据进行处理后形成的目标结构化数据，如交通参与者类型、位置、速度、航向角等。（3）交通状态数据，包括环境状态数据，如道路状况如路面湿滑、能见度等，还有交通事件数据，如车流量、交通事故、违章等。
1.2数据质量评价维度
路侧数据质量：指路侧感知系统输出的交通参与者、事件、环境等信息的准确性、实时性、完整性和稳定性，需满足车路云一体化中辅助驾驶、自动驾驶、交通管理等场景对数据可信度的要求。
行业历经发展，对路侧感知