近年來，隨著智能交通系統(tǒng)（ITS）建設(shè)的深入推進(jìn)，車輛級(jí)感知、車際通信與邊緣計(jì)算協(xié)同等技術(shù)正成為行業(yè)關(guān)注的焦點(diǎn)。為應(yīng)對(duì)高精度、多模態(tài)環(huán)境下復(fù)雜感知任務(wù)的挑戰(zhàn)，微云全息(NASDAQ:HOLO)自主研發(fā)了“基于激光雷達(dá)的車輛邊緣計(jì)算協(xié)同感知系統(tǒng)，并提出了一套基于Multi?Armed Bandit（MAB）模型的邊緣輔助任務(wù)卸載算法（EATO），使車輛在復(fù)雜動(dòng)態(tài)場景中的目標(biāo)檢測能力顯著提升，同時(shí)最大限度降低系統(tǒng)延遲，提高協(xié)同效能。

自動(dòng)駕駛及輔助駕駛對(duì)環(huán)境理解的精準(zhǔn)度和實(shí)時(shí)性要求不斷攀升，尤其在交通密集、遮擋復(fù)雜或夜間弱光場景下，單車激光雷達(dá)點(diǎn)云處理仍存在盲區(qū)。盡管激光雷達(dá)提供的高精度三維信息彌補(bǔ)了攝像頭方案的不足，但其海量點(diǎn)云數(shù)據(jù)對(duì)計(jì)算資源提出了嚴(yán)苛挑戰(zhàn)。

另一方面，邊緣計(jì)算資源（包括車載終端與路側(cè)單元RSU）具備異構(gòu)的算力與延遲特性。如何在多樣化算力與通信環(huán)境下平衡本地處理和邊緣節(jié)點(diǎn)卸載，成為協(xié)同感知系統(tǒng)落地的核心難題。目前傳統(tǒng)策略往往采用基于經(jīng)驗(yàn)或規(guī)則的卸載方案，缺乏對(duì)實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)和異構(gòu)資源的自適應(yīng)能力，導(dǎo)致整體性能難以最優(yōu)。

微云全息的該系統(tǒng)由以下幾個(gè)核心組件構(gòu)成：激光雷達(dá)感知模塊、邊緣卸載決策模塊、V2X通信模塊與融合計(jì)算引擎。

激光雷達(dá)感知模塊利用車載激光雷達(dá)捕獲實(shí)時(shí)三維點(diǎn)云，并通過高效預(yù)處理（如降采樣、地面分割、聚類提�。┛焖偕�成候選物體區(qū)域。預(yù)處理后的關(guān)鍵特征用于輔助決策，同時(shí)減少上行數(shù)據(jù)量。

邊緣卸載決策模塊負(fù)責(zé)執(zhí)行EATO算法，根據(jù)車輛自身的計(jì)算資源、通信帶寬與延遲、邊緣節(jié)點(diǎn)負(fù)載等因素，動(dòng)態(tài)決策本地處理或部分/全部卸載。

V2X通信模塊利用C-V2X或DSRC協(xié)議實(shí)現(xiàn)車輛間及車輛與基礎(chǔ)設(shè)施（RSU）間的協(xié)同共享。支持對(duì)物體檢測結(jié)果及關(guān)鍵點(diǎn)云截取的消息發(fā)布、訂閱。

融合計(jì)算引擎部署在邊緣節(jié)點(diǎn)，用于接收多車上傳數(shù)據(jù)，對(duì)來自不同源的檢測信息或點(diǎn)云進(jìn)行融合處理，從而提升整體感知覆蓋和精度。

為了實(shí)現(xiàn)低延遲和高精度感知，本系統(tǒng)在車載激光雷達(dá)處理鏈上做了一系列優(yōu)化。前端數(shù)據(jù)預(yù)處理包括對(duì)原始點(diǎn)云進(jìn)行Voxel Grid降采樣，減少計(jì)算量；采用地面分割消除地面干擾點(diǎn)；利用DBSCAN算法對(duì)剩余點(diǎn)云進(jìn)行聚類；并提取每個(gè)聚類的幾何特征。

其次，引入基于輕量神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型（結(jié)合PointPillars與簡化PointRCNN架構(gòu)），使用較少計(jì)算就能輸出高質(zhì)量邊界框和置信度。同時(shí)，設(shè)計(jì)了區(qū)域感知機(jī)制，根據(jù)點(diǎn)云密度對(duì)網(wǎng)絡(luò)深度和推理頻次作動(dòng)態(tài)調(diào)整，提高時(shí)效性。

針對(duì)車輛與邊緣節(jié)點(diǎn)異構(gòu)性能差異，微云全息(NASDAQ:HOLO)將協(xié)同感知任務(wù)卸載設(shè)計(jì)為一類優(yōu)化問題，目標(biāo)是最小化協(xié)同任務(wù)的平均延遲。

變量包括：本地處理、部分卸載（上傳預(yù)處理特征/候選框）、完全卸載（上傳原始點(diǎn)云）；約束涉及本地算力上限、網(wǎng)絡(luò)上行下行帶寬與延遲、邊緣節(jié)點(diǎn)處理能力、車輛實(shí)時(shí)任務(wù)周期等。由于網(wǎng)絡(luò)狀態(tài)與資源負(fù)載存在動(dòng)態(tài)變化，傳統(tǒng)的靜態(tài)優(yōu)化或強(qiáng)化學(xué)習(xí)策略難以實(shí)時(shí)適配，而MAB框架天然適合探索—利用—適應(yīng)機(jī)制。

微云全息把每一次卸載決策看作對(duì)多個(gè)“臂”（處理選項(xiàng)）的選擇，目標(biāo)是通過試錯(cuò)學(xué)習(xí)各臂即時(shí)延遲表現(xiàn)，隨著累積反饋逐步收斂最優(yōu)卸載策略。具體而言，每個(gè)決策周期，系統(tǒng)會(huì)采樣當(dāng)前網(wǎng)絡(luò)延遲與邊緣負(fù)載信息，再結(jié)合UCB（Upper Confidence Bound）策略選擇一個(gè)決策臂（本地、部分卸載、完全卸載），并執(zhí)行。決策完成后反饋實(shí)際感知總延遲，算法據(jù)此更新臂的估值與置信區(qū)間，從而在后續(xù)決策中傾向最優(yōu)。當(dāng)上下行延遲或邊緣負(fù)載發(fā)生突變時(shí)，MAB策略具備快速重新試探的能力，能夠避免陷入次優(yōu)策略；而在網(wǎng)絡(luò)穩(wěn)定時(shí)，該機(jī)制可快速收斂，呈現(xiàn)近似最優(yōu)策略。

車輛先本地檢測并生成邊界框與粗略點(diǎn)云片段，根據(jù)卸載策略選擇上傳內(nèi)容。邊緣節(jié)點(diǎn)收到來自多車輛信息后，執(zhí)行置信度融合算法，包括基于置信度加權(quán)合并檢測結(jié)果、點(diǎn)云拼接后采用ICP優(yōu)化對(duì)齊。融合完成后，邊緣返回融合結(jié)果，再利用V2I/V2V將信息廣播給附近車輛，形成閉環(huán)共享機(jī)制。整體流程在保證準(zhǔn)確性的前提下兼顧了實(shí)時(shí)性與帶寬壓力控制。

微云全息分別在幾種典型交通場景下對(duì)比了該系統(tǒng)與傳統(tǒng)靜態(tài)卸載／不卸載策略的性能。關(guān)鍵指標(biāo)包括感知延遲、檢測精度（mAP）、通信開銷與系統(tǒng)穩(wěn)定性。

在高延遲高負(fù)載場景下，微云全息該系統(tǒng)通過MAB自動(dòng)選擇本地優(yōu)先卸載、邊緣優(yōu)先卸載等策略，平均感知延遲下降了15–30%，mAP 提升了5–10%。在網(wǎng)絡(luò)高擁塞情況下，融合感知率提升了12%。更加顯著的是，在網(wǎng)絡(luò)變化劇烈時(shí)（如急速駛?cè)胨淼溃�，MAB策略拓展試探與快速調(diào)整能力，保證了關(guān)鍵節(jié)點(diǎn)的檢測延遲可控，展現(xiàn)出比靜態(tài)策略更強(qiáng)的魯棒性。

后續(xù)，微云全息將繼續(xù)優(yōu)化算法，集成多模態(tài)傳感器，擴(kuò)展目標(biāo)預(yù)測與軌跡規(guī)劃功能，實(shí)現(xiàn)從被動(dòng)感知向主動(dòng)決策的跨越。同時(shí)，計(jì)劃推動(dòng)與5G/6G通信網(wǎng)絡(luò)深度融合，通過切片機(jī)制保障高優(yōu)先級(jí)協(xié)同感知任務(wù)的時(shí)延特性。

總體來看，微云全息(NASDAQ:HOLO)基于激光雷達(dá)的車輛邊緣計(jì)算協(xié)同感知系統(tǒng)通過MAB卸載優(yōu)化、自主感知與邊緣融合等核心技術(shù)，實(shí)現(xiàn)了高精度、低延遲、智能可適應(yīng)的車輛感知能力。這一創(chuàng)新成果預(yù)示著未來ITS系統(tǒng)中協(xié)作式感知范式的可行路徑，為交通安全、通行效率與智能化鋪設(shè)堅(jiān)實(shí)基礎(chǔ)。隨著產(chǎn)品原型的持續(xù)測試與性能驗(yàn)證，預(yù)期將在經(jīng)濟(jì)級(jí)和公共服務(wù)級(jí)應(yīng)用領(lǐng)域掀起示范效應(yīng)，助力智慧交通邁入新階段。