国内研究人员研发智能网联自动驾驶高效协同感知框架，降低 V2X 通信压力补齐感知盲区

国内研究团队推出一套面向智能网联、自动驾驶车辆的高效协同感知框架，这套框架主打特征级选择性传输，不再直接传输激光雷达原始点云、原始图像这类大容量数据，优先挑选盲区、高风险区域的特征信息在车与车、车与路侧单元之间交互，搭配跨车辆特征对齐补偿机制，缓解定位误差带来的融合错位问题，在 OPV2V、V2X-Sim 主流协同感知数据集上完成验证，在保证障碍物、行人、机动车 3D 检测精度稳定的前提下，明显减少 V2X 通信带宽占用，降低传输时延，专门解决路口遮挡、大车遮挡造成的单车感知盲区难题，目前属于学术研究成果，已经对外公开论文方案。传统协同感知方案一直存在两个突出矛盾，要么直接传原始传感器数据，感知效果好，但是流量巨大，V2X 网络很容易拥堵、延迟超标，很难大规模落地；要么只传递检测框结果，流量小，但缺少细节信息，遇到遮挡、远距离目标时容易漏检、误检。这套新框架就是用来平衡精度和带宽，依靠轻量化特征提取、区域价值判断过滤无效信息，同时做特征对齐，适配城市路口、车流密集这类复杂行车场景。整套框架的运行流程很清晰，第一步单车激光雷达、摄像头采集环境数据，在车载边缘芯片本地完成轻量化特征提取；第二步框架评估区域风险等级，只筛选盲区、危险区域的特征向外发送；第三步接收端把外部传来的特征和本车感知结果对齐融合；第四步输出全局 BEV 环境感知结果，交给自动驾驶的规划控制模块使用。总的来说，这个高效协同感知框架是国内在车路协同感知方向的技术探索，降低协同感知落地的通信门槛，为后续示范区、商用车编队等场景提供新的算法思路，但是距离量产装车还有多轮实车验证工作。

高效协同感知框架基础信息表

三类协同感知方案对比

• 原始数据传输方案：发送点云、原图，感知精度高，带宽需求极高，落地难度大
• 检测结果共享方案：只下发目标框，流量小，缺少细节，遮挡场景容易出错
• 本次高效协同感知框架：传输筛选后的特征，兼顾检测精度与带宽开销，自带特征对齐补偿

框架核心技术亮点清单

1. 区域感知价值判断机制，只传输盲区、高危区域特征，过滤冗余信息
2. 轻量化特征提取模块，控制车载端算力开销，适配车载边缘芯片
3. 跨车辆特征精细对齐模块，补偿定位误差，减少融合错位
4. 多尺度特征融合，统一整合自车和邻车感知信息，输出全局鸟瞰感知结果
5. 同时兼容车车通信、车路协同两种部署模式

需要留意的要点

1. 该成果属于科研算法框架，目前只在仿真数据集验证，还没有车企量产装车
2. 想要实车落地，还需要搭配 5G-V2X 路侧设备、高精度定位系统一起使用
3. 雨雪、强光、通信信号波动等恶劣条件下的稳定性，还需要大量实车路测
4. 框架属于感知算法层，不会直接替代自动驾驶的规划、控制模块

【相关 FAQ】

问题 1：中国研究人员发明的这套智能网联和自动驾驶车辆高效协同感知框架，和单车感知有什么区别？

回答 1：中国研究人员发明的这套智能网联和自动驾驶车辆高效协同感知框架，可以实现多车、车路之间共享感知特征，补齐单车摄像头、激光雷达被遮挡形成的盲区，单车感知只能看到自身传感器覆盖范围内的环境。

问题 2：这套用于智能网联和自动驾驶车辆的高效协同感知框架，是怎么做到高效省带宽的？

回答 2：这套用于智能网联和自动驾驶车辆的高效协同感知框架不会传输原始点云、原图，只提取并筛选高风险区域的特征进行交互，过滤冗余信息，以此降低 V2X 通信带宽压力。

问题 3：国内研究人员推出的智能网联自动驾驶高效协同感知框架，现在能不能直接装车商用？

回答 3：暂时不能，国内研究人员推出的智能网联自动驾驶高效协同感知框架属于学术研究成果，仅在数据集上完成验证，还没有进入车企量产装车阶段。

【参考资料】

[2026-11-11]（中国研究人员发明用于智能网联和自动驾驶车辆的高效协同感知框架）网通社

[2026-11-10]（基于点特征精细对齐的网联自动驾驶车辆协同感知方法）清华大学学报

[2026-11-09]（UniSense：面向自动驾驶的不确定性驱动协同感知方案）ACM 数字图书馆

[2026-11-07]（选择性协同感知框架，结合大模型盲区推理）arXiv

【免责声明】

本文仅为国内团队智能网联自动驾驶高效协同感知框架科研资讯整理，该框架为算法研究成果，距离商业化量产落地还有较多实车验证环节；性能指标以论文、数据集测试条件为准，不代表真实道路表现，内容不构成自动驾驶产品采购、行业投资建议。