摘要
我们提出了一种用于分布式边缘系统上相机 - 激光雷达融合的轻量级基于锥体的感兴趣区域 (ROI) 过滤方法。多个神经处理单元 (NPU) 节点执行相机推理，中心边缘板将它们检测结果与激光雷达点云相结合。在共同姿态参考和对齐传感器轴的前提下，相对旋转由惯性测量单元 (IMU) 四元数获得，而相机视场角 (FOV) 参数定义视射线。该方法避免了单独的外参旋转估计离线流程，但它需要初始对齐、测量的平移向量和基于时间戳的同步。因为旋转源于姿态流而不是每次配对校准会话，所以可以增加或重新调整指向相机节点而无需新的校准会话，这降低了将系统扩展到更多视角的设置成本。锥体成员检测用前向符号测试和平方角度余弦比较取代了四个平面法向量点积，后者重用了相同的轴 - 点点积；在相同硬件上，每个相机的 ROI 过滤与聚类平均延迟从 6.02 毫秒降至 4.46 毫秒，减少了 25.9%。自适应阈值利用相邻检测之间的角分离来收紧 ROI 边界。在停车场景下的六次重叠事件中，Pyramid 方法的配对级分离成功率为 2/6 (33.3%)，而 Cone+Adp 方法的配对级分离成功率为 5/6 (83.3%)。这些初步结果表明，所测试配置下的 ROI 点选择有所改善，而不是固有空间分离能力的普遍提升。
