本文提出了一种面向车路协同（Vehicle-Road Collaboration）系统中感知数据预处理与卸载的优先级感知方法。作者团队来自广东工业大学、中山大学和南洋理工大学，主要作者包括Weifeng Zhong、Jiahai Xiao、Shichu Rong、Xumin Huang、Jiawen Kang、Chau Yuen和Shengli Xie。该研究发表于《IEEE Transactions on Intelligent Transportation Systems》2025年第26卷第11期，页码为21055至21068。
智能网联汽车（Intelligent Connected Vehicles, ICVs）的感知能力依赖于对激光雷达、毫米波雷达和摄像头等传感器数据的高效处理。更大规模的感知数据能提升环境理解的准确性与鲁棒性，但同时带来了更重的计算负担。现有研究多聚焦于任务卸载、协同感知或视频分析优化，但较少从感知对象本身的优先级出发进行数据裁剪。本文的核心动机在于：在车路协同场景中，不同被检测对象对车辆安全的重要性不同，近距离对象通常比远距离对象具有更高的处理紧迫性，而远距离对象可能已被其他车辆感知。因此，在资源受限时丢弃部分低优先级对象，是降低后续计算与通信负载的可行途径。
为了实现上述目标，作者构建了一个三阶段车辆-道路协同系统模型。第一阶段为视频帧预处理，包括目标检测、基于优先级的对象选择以及感兴趣区域（Region of Interest, ROI）降采样。第二阶段为数据传输，将降采样后的感知任务从感知车辆卸载至计算车辆或路侧单元（Roadside Unit, RSU）。第三阶段为数据处理，由车辆与RSU协同完成目标定位与跟踪。系统在每个时隙内需满足最大时延、带宽及计算资源约束。
在问题建模中，每个检测对象被赋予一个优先级值，该值由对象类别基础优先级与基于ROI分辨率的分辨率优先级组成。分辨率越高，表示对象越近，优先级越高。通过引入二元变量指示对象是否被选择，研究构建了一个以最大化所选对象优先级总和为目标的非凸混合整数非线性规划（Mixed-Integer Nonlinear Programming, MINLP）问题，记为P0。约束条件包括对象检测时间、降采样时间、传输时间、计算时间、带宽分配以及V2V和V2I通信拓扑限制。
针对P0的求解，作者提出了一种名为PADM-MAFP的快速启发式算法。该方法结合了惩罚交替方向法（Penalty Alternating Direction Method, PADM）和改进退火可行性泵（Modified Annealed Feasibility Pump, MAFP）。首先，利用精度约束直接确定最优降采样比例，从而将P0简化为P1。随后，将整数变量松弛为连续变量，引入加权积分距离度量连续解与整数解之间的差异，形成P3。为处理传输时间约束中的双线性项，采用凸包络和PADM将非凸约束转化为可高效求解的形式，最终得到P5。在MAFP中，针对对象选择变量设计了三种舍入策略：随机舍入、基于优先级的舍入和基于数据大小的舍入，并结合模拟退火中的Metropolis准则以跳出局部最优。
仿真基于NGSIM真实车辆轨迹数据，选取美国加州US 101公路640米路段，设置30、35、40、45辆车四种场景。每辆车有6个关键视频帧，每帧检测对象数量为0至5个。对象类别包括车辆和行人，其精度函数分别由指数衰减模型描述。对比方法包括初始可行解、遗传算法、PADM-FP以及商业求解器Gurobi。结果显示，当车辆数为30时，Gurobi能实现100%优先级率，但运行时间最长；当车辆数增至35、40、45时，Gurobi在2小时内无法返回可行解，而本文方法能在极短时间内获得较高优先级率，显示出对动态道路环境的适应性。
消融研究进一步验证了各模块的贡献。移除MAFP后虽能略微提升优先级率，但运行时间急剧增加，在40和45辆车场景下30分钟内无法获得可行解。移除PADM或初始化模块则会显著降低优先级率，说明这两部分对解的质量至关重要。参数分析表明，积分参数α和距离参数β需逐步减小，惩罚参数ρ需逐步增大，才能保证整数变量收敛至0-1解并满足非线性传输时间约束。
在系统性能方面，与仅降采样和无预处理相比，所提方法能显著降低感知数据量，使系统在有限资源下处理更多高优先级对象。计算资源增加可提升优先级率，但所提方法在不同资源条件下均优于其他基准。通信半径的增大同样带来优先级率的提升，因为更长的V2V和V2I链路寿命提高了任务卸载的可靠性和灵活性。特别是在V2V半径从0米增至120米时，本文方法的优先级率从约83.8%提升至92.6%以上，明显优于其他方法。
本研究的科学价值在于首次将对象级优先级引入车路协同感知数据预处理，显式建模了对象类别与空间距离对感知重要性的影响。方法层面提出的PADM-MAFP混合启发式算法，为大规模混合整数非线性规划问题提供了一种快速求解思路，尤其在动态交通环境中具有实用优势。通过凸包络线性化双线性项、加权积分距离设计以及多种舍入策略的融合，算法在解质量与计算效率之间取得了良好平衡。应用价值方面，该方法可直接部署于车路协同系统中的感知任务管理模块，帮助车辆和路侧单元在通信与计算资源紧张时优先处理高优先级目标，提升整体交通安全性与效率。
本文的主要亮点包括：第一，提出了感知数据预处理与卸载的联合优化框架，将对象选择、降采样、传输与计算统一纳入一个优化问题；第二，设计了基于对象类别与分辨率的优先级生成机制，更贴近实际驾驶安全需求；第三，开发了PADM-MAFP算法，通过MAFP处理大规模整数变量、PADM处理非凸约束，显著提升了求解效率；第四，基于真实交通轨迹数据的仿真验证了方法在多种车辆规模下的性能优势和鲁棒性。
此外，作者指出，在重交通流情况下，可将车辆分组后分别应用本文方法，以减少决策变量数量，进一步提高算法的可扩展性。多源数据融合由基站完成，超出本文范围，但为后续研究提供了方向。整体而言，本文为车路协同中的感知数据管理提供了理论模型与实用算法，对推动智能网联汽车在资源受限环境下的高效协同感知具有重要参考意义。