基于多接入边缘计算（MEC）的大规模路侧传感器网络实时车辆跟踪框架及其在车路云一体化系统中的应用研究

本研究针对车路云一体化系统（VRCIS）中高精度车辆定位与跟踪的低延迟需求，提出了一种基于多接入边缘计算（MEC）设备的分布式计算框架。通过轨迹数据预处理、校准、多传感器轨迹匹配与预测，并结合机器学习算法，有效提升了复杂驾驶场景下的轨迹预测精度。实验表明，该框架在高速公路上可连续跟踪上万辆车，纵向和横向平均误差分别为2.14米和0.84米，速度误差1.91公里/小时，处理延迟低于340毫秒，显著提升道路安全与通行效率。

　　

随着智能交通系统的快速发展，车路云一体化系统（Vehicle-Road-Cloud Integration System, VRCIS）成为未来出行的重要方向。该系统依赖于高精度的车辆定位与跟踪技术，以实现智能交通管理、优化路径规划和提升道路安全。然而，在实际应用中，大规模路侧传感器网络面临诸多挑战：数据处理能力不足、网络传输延迟高、多传感器数据不一致以及缺乏真实轨迹数据（ground truth）等。特别是在交通流量大的道路上，这些问题尤为突出，导致车辆跟踪的准确性和实时性难以满足VRCIS的需求。

为了应对这些挑战，研究人员开展了一项针对大规模路侧传感器网络的实时车辆跟踪研究。他们提出了一种基于多接入边缘计算（Multi-Access Edge Computing, MEC）的分布式计算框架，旨在通过边缘设备处理传感器数据，降低系统延迟，提高轨迹融合的精度。该研究在一条150公里长的高速公路上进行了实际部署，涵盖了1777个传感器，实现了对上万辆车的连续跟踪，平均纵向误差2.14米，横向误差0.84米，速度误差1.91公里/小时，处理延迟保持在340毫秒以内。相关成果发表在《Green Energy and Intelligent Transportation》上，为VRCIS的实际应用提供了重要技术支持。

在研究过程中，作者采用了多项关键技术方法。首先，利用MEC设备进行分布式计算，每个MEC覆盖一个地理哈希网格（geohash5，4.8km×4.8km），处理本地传感器数据，并通过数据交换模块与相邻MEC共享边界轨迹信息。其次，通过传感器校准、空间置信分析和数据去噪等预处理步骤，消除系统误差和随机误差。轨迹校准采用卡尔曼滤波（Kalman filter）和线性插值方法，动态调整过程噪声协方差以应对传感器边界的不确定性。跨传感器匹配使用匈牙利算法（Hungarian algorithm），结合车道索引、速度、车辆类型和颜色等特征计算相似度权重。轨迹预测则采用长短期记忆网络（LSTM），整合几何属性和车辆间关系特征，以填补数据缺失带来的轨迹间隙。此外，研究还引入了无需真实数据的评估指标，包括速度一致性、位置一致性以及单传感器和跨传感器轨迹完整性，以定量评估跟踪质量。

研究结果主要分为以下几个部分：

4.1. Framework

研究人员设计了一个可扩展的MEC框架，每个MEC运行轨迹融合和评估模块，实现低延迟数据处理。通过上游MEC与下游MEC之间的数据交换，确保了车辆在MEC间迁移时的轨迹平滑性和一致性。

4.2. Trajectory Fusion

轨迹融合包括四个步骤：数据预处理、轨迹校准、车辆匹配和轨迹预测。预处理阶段通过传感器校准、置信分析和去噪，提高了数据质量。轨迹校准使用卡尔曼滤波和插值方法，减少了位置和速度的异常值。车辆匹配通过匈牙利算法优化多传感器间的车辆识别，轨迹预测则利用LSTM模型填补数据缺口，确保轨迹的连续性。

4.3. Trajectory Evaluation

针对缺乏真实数据的问题，研究人员提出了速度一致性、位置一致性、单传感器级和跨传感器级完整性等评估指标。实验结果显示，速度一致性和位置一致性分别达到96.8%和99.7%，单传感器轨迹完整性为98.9%，跨传感器完整性为98.4%，整体轨迹连续性达到97%，表明框架在大型网络中具有高精度和高可靠性。

1. 5.

   Experiments

   在实际部署中，研究在四川一条150公里高速公路上进行了验证，覆盖1072个摄像头、705个毫米波雷达、180个MEC和195个路侧单元。通过与RTK（Real-Time Kinematic）设备采集的真实数据对比，轨迹的纵向误差平均2.14米，横向误差0.84米，速度误差1.91公里/小时，系统延迟低于340毫秒。这些结果满足了VRCIS的应用需求，并能够集成到车载导航系统中，提升车辆对周围环境和风险的感知能力。

研究的结论部分强调，该框架通过MEC分布式架构和先进的轨迹处理技术，实现了大规模车辆跟踪的高精度和低延迟，克服了传统云中心架构在可扩展性和实时性方面的局限。提出的无真实数据评估方法为大型传感器网络的性能监控提供了实用工具，有助于快速定位设备故障和数据异常。尽管框架在高速公路上表现优异，但在复杂城市环境、恶劣天气和传感器稀疏区域仍存在限制，未来研究将扩展应用场景并优化计算效率，以进一步提升系统的鲁棒性和适用性。

总之，这项研究不仅推动了VRCIS技术的发展，也为智能交通系统的实际部署提供了重要借鉴，通过边缘计算和机器学习方法的结合，为未来出行安全与效率提升奠定了坚实基础。