国内研究团队推出智能网联自动驾驶高效协同感知框架，降低 V2X 通信带宽压力

国内研究人员全新研发出一套面向智能网联、自动驾驶车辆的高效协同感知框架，这套框架依托车车、车路 V2X 通信，不再直接传输激光雷达原始点云、原图这类海量数据，改成只交互关键特征信息，搭配选择性传输、特征对齐机制，在保证障碍物、行人、车辆检测精度的前提下，大幅减少通信带宽占用，解决路口遮挡、盲区看不到目标的痛点，已经在 OPV2V、V2X-Sim 这类主流协同感知数据集上完成验证，相比传统方案带宽消耗明显下降，同时保持目标检测、3D 定位的稳定性，成果已经对外公开。传统协同感知方案经常有两个痛点，要么传原始数据，流量巨大，V2X 网络扛不住、延迟高；要么只传检测结果，丢失细节，遇到遮挡、定位偏差时容易漏检。这套新框架就是在精度和带宽之间找平衡，优先交换高价值感知特征，过滤冗余信息，还做了跨车辆特征对齐补偿，缓解定位误差带来的融合错位问题，适配城市路口、车流密集这类复杂场景。整套框架的运行流程很清晰，第一步单车自身激光雷达、摄像头采集环境信息，在本地做轻量化特征提取；第二步框架判断哪些区域属于盲区、高风险区域，只挑选必要特征发给周边车辆或者路侧单元；第三步接收端把收到的外部特征和自身感知结果做融合对齐；第四步输出全局环境感知结果，交给自动驾驶规划控制模块使用。总的来说，这个高效协同感知框架是国内智能网联感知方向的技术突破，降低车路协同落地的通信门槛，更方便后续在自动驾驶示范区、商用车编队场景落地测试。

高效协同感知框架基础信息表

和传统协同感知方案对比

• 原始数据传输方案：直接发点云 / 图片，感知效果好，但带宽需求极高、延迟大，很难大规模部署
• 检测结果共享方案：只发目标框，流量很小，但是缺少细节，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，兼顾精度与带宽，支持跨车特征对齐补偿

框架核心技术亮点清单

1. 区域感知价值判断，只传输盲区、危险区域的特征，过滤重复、无用信息
2. 轻量化特征提取模块，单车端算力开销可控，适合车载边缘芯片
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，统一整合自车与邻车感知信息，输出全局 BEV 环境
5. 兼容车车通信、车路协同两种部署模式

需要留意的要点

1. 该成果属于学术框架，目前只在仿真和数据集验证，还没有上车量产
2. 实际落地还要配合 5G-V2X、路侧设备、高精度定位一起配合
3. 复杂天气、通信信号波动场景下的鲁棒性，还需要更多实车路测
4. 框架本身是感知算法层，不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自动驾驶高效协同感知框架，和普通单车感知有什么差别？

回答 1：中国研究人员发明的这套智能网联自动驾驶高效协同感知框架，是多车、车路之间互相共享感知特征，补齐单车摄像头、激光雷达被建筑物、车辆挡住的盲区，单车感知只能看到自己传感器范围内的画面。

问题 2：这套面向智能网联自动驾驶的高效协同感知框架，是怎么做到 “高效”、节省带宽的？

回答 2：这套面向智能网联自动驾驶的高效协同感知框架不会传输原始点云和图片，只提取、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使用？

回答 3：暂时不行，国内研究人员推出的这套智能网联自动驾驶高效协同感知框架目前属于学术研究成果，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]（国内研究人员提出面向智能网联自动驾驶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的科研资讯整理，该框架为算法研究成果，距离量产、商业化落地还有较多验证环节；相关性能指标以论文、测试数据集条件为准，不代表实车道路表现，内容不构成自动驾驶相关产品采购、投资建议。