目前，车路云一体化正处于规模建设和商业价值摸索的重要时期。随着相关政策文件的发布，该行业在试点落地、标准制定、技术创新、商业探索等维度正有条不紊地向前推进。
在试点落地层面，首批20个试点城市名单公布，北京、武汉、长春等城市已经迈入实施过程，其他城市也正在紧锣密鼓地准备中。
在技术创新层面，以云控基础平台为核心，融合车路云三端数据，实现实时协同感知、决策与控制，提高了自动驾驶的安全性和效率。另外，提供智能化和自动化的管理手段，提升交通管理的智能化水平。
在商业探索层面，各地政府正在积极探索面向不同等级智能网联车辆的商业赋能模式、数据要素的应用场景等。
目前该行业也面临一些亟待解决的技术难题：
其一，路侧数据质量受限制的因素很多，涵盖异构传感器的高额部署成本、复杂交通环境下的感知能力无法持续处在较高水准等，约束了智慧道路的服务范围和服务水平。
其二，路侧服务的稳定性是智能网联汽车使用的前提条件，而其稳定性主要体现在覆盖范围内的数据服务和不同的天气环境条件这两方面。例如，智慧道路覆盖边界区域的数据质量异常、纯视觉感知在夜间的数据质量降级等问题，是影响智能网联汽车使用效果的关键因素。
其三，智慧道路对异常交通流情况的理解还处于初级阶段，远远达不到智能网联汽车的使用需求。
其四，车辆对路云侧数据的应用深度不足。比如，路侧感知数据与车辆感知数据的融合，需要车端进行相应动作来实现感知，从而达到“感知去重和盲区补充”的目的。另外，车端如何将路云数据更好地用在“感知-规划-控制”等模块，也是需要进一步解决的问题。
蘑菇车联的创新突破蘑菇车联是车路云一体化领域最领先的科技公司。其之所以能够解决上述行业技术难题，要归功于其强大的研发能力和实践经验，其中该公司自研的AI数字道路基站和路侧边缘计算系统（MRS）是该领域的王牌产品，整整领先同类公司一代。
分别来说：
AI 数字道路基站包含多种型号的基站产品，不同型号由不同的“传感器、算力、算法、部署方案”构成，既具备面向城市、高速、园区等多类场景的覆盖能力，又能根据建设方的不同应用需求，提供高性价比的产品方案，还支持传感器利旧，使整体投入实现最低。
路侧边缘计算系统（MRS），在架构层面具有高可靠、低时延传输、模块化设计的特征，可以实现多源异构传感器的兼容。其自研的多模态BEVFormer感知算法，保障了数据质量的稳定。并且，路侧边缘计算系统（MRS）通过自研路侧融合算法，可以最大化地发挥不同类型传感器的特征优势，兼用不同的道路和天气场景，同时保留了纯视觉感知方案的高标准数据指标输出。另外，该系统还内置多种交通事件类算法，基于路侧长时观测特征，可以拟合出异常场景下的最优通行路径，直接面向智能网联汽车提供异常场景下的最优解，并支持与云控基础平台按照标准协议进行对接。
图丨蘑菇路侧产品（来源：资料图）
而上述二者之间的搭配，则可通过数据的交互和共享，以及对不同类型数据的协同处理，共同为车路云一体化业务提供更全面、精准和实时的交通信息，以支持交通管理、智能网联汽车的辅助驾驶或高等级自动驾驶等应用。
最近，蘑菇车联的AI数字道路基站和路侧边缘计算系统（MRS），在国汽（北京）智能网联汽车研究院有限公司的第三方测试中，达到中国信息通信研究院《车路协同路侧感知系统认证》双SL3（Sensing Level 3）最高标准。
SL3标准下的技术挑战与攻克SL3是《YD/T4770-2024 车路协同 路侧感知系统技术要求及测试方法》标准对数据质量的定义。该标准来自“智能网联汽车车路云一体化应用试点推荐标准清单”对路侧感知设备的推荐标准，规定了面向车路协同路侧感知系统的针对不同应用的分级化性能指标要求，从系统通用要求、基础性能指标、交通参与者感知、交通事件及交通流检测四个维度给出对应技术要求及测试方法，适用于指导和规范车路协同路侧感知系统的规划建设及应用部署。
在SL3标准中，存在着诸多指标。并且，要想将所有指标一一达成，难度也非常之高。
例如，SL3标准要求车道感知覆盖率指标，即感知范围应覆盖实际应用所需的所有范围≥99%。但该指标在不同的定位精度前提下，能达成的效果有明显区别。这是因为，交通流的感知指标会随着感知距离的增加而降低，当突破某一值时，会下降得更加明显。所以，在定位精度SL3的情况下，要想将车道感知覆盖率达到SL3水平，需要克服较大的困难。
SL3标准要求感知时延要≤100ms。这对于纯视觉感知来说是容易实现的，但对于含有光探测和测距技术（Lidar，Light detection and ranging）的异构感知组合而言，由于市面上大多数Lidar的原始数据输出为10Hz，所以要想达到100ms难度非常大。
另外，SL3标准要求交通参与者多目标跟踪精度≥80%。这是衡量交通参与者连续帧感知水平的重要指标，反应了不同时空条件下算法的性能和输出数据质量。
作为一家车路云一体化、自动驾驶全栈技术与运营服务的提供商，蘑菇车联从技术层面不断攻克和调优AI应用的技术精度，以实现对微小精度的极致要求。这一点从本次测试结果报告上就能略窥一二：
在车道感知覆盖率与感知范围上，对126号路口（北京市科创十三街与经海五路）进行数据采集，感知覆盖范围为150m，基于1m位置精度感知覆盖率为99%，满足SL3覆盖率要求>99%。
在感知时间精度与感知时延上，产品的感知时间精度为4.44ms，满足SL3要求的≤10ms；感知时延为41.57ms，满足SL3要求的≤100ms。
（来源：笔者制图）
在消息输出频率与频率偏差上，测试结果分别为10Hz和0，满足SL3≥10Hz和≤0.2Hz的要求。
（来源：笔者制图）
在交通参与者类型识别精度上，对车辆、非机动车、行人和障碍物的识别分别达到99.8%、97.9%、98.74%和99%，皆超过SL3要求的95%、90%、90%和90%。
（来源：笔者制图）
在定位精度上，对于机动车、非机动车、行人和障碍物的定位精度分别为0.46m、0.41m、0.29m和0.21m，满足SL3对前三项要求的≤0.5m，和对后一项要求的≤1m；
（来源：笔者制图）
在速度检测精度上，对于机动车、非机动车和行人的速度检测精度则达到0.17m/s、0.16m/s和0.14m/s，高于SL3要求的0.28m/s、0.5 m/s和0.5 m/s。
（来源：笔者制图）
在多目标跟踪精度上的结果为80.67%，满足SL3要求的≥80%。
在交通事件检测性能上，超速、低速、逆行、占用应急车道和禁停区域停车等所有事件类型的召回率均为100%，虚警率为0%。
（来源：笔者制图）
综上可以看出，SL3标准是面向自动驾驶车辆提供数据服务的最严格指标。也就是说，数据指标满足SL3即可达到自动驾驶车辆的使用要求。同时，如果在智慧道路的覆盖区域内均能达到SL3指标要求，就意味着智能化路侧基础设施具备“达到车端数据要求，服务广域覆盖”的阶段，将会出现多种协同感知、决策、控制的应用场景，并量化场景价值，推动数据服务上车应用。
而本次蘑菇车联的测试结果均高于SL3标准，为车路协同走向商业化带来了曙光。这其中，
蘑菇车联路侧边缘计算系统（MRS）采用先进的深度学习算法，基于相机、雷达等前端感知设备进行数据融合和处理，为车路云一体化多种协同场景提供精准高效的数据支持，能够实现实时信息交互，包括车辆状态、交通信号、道路条件等，提高车辆行驶效率和安全性。智能路侧单元（RSU）可与车辆进行双向通信，提供预警信息。通过精确的时间同步和高带宽连接，蘑菇车联确保车辆与基础设施之间信息的实时交换，避免通信延迟带来的安全隐患，并可根据不同需求通过云平台实现路侧感知结果的可视化展示。
试想一下，顺着这个发展趋势，未来的交通出行有望迎来全新的发展前景。譬如，智能网联汽车代替传统汽车成为主流，智慧公交、智慧物流、智慧环卫等应用场景也将逐一成为现实。
而在今后，围绕车路云一体化，蘑菇车联也将走向更广阔的天地。
