自动驾驶系统的感知决策链路正在从单一车载计算向边缘云协同架构迁移。毫米波雷达产生的点云数据量随雷达分辨率提升而急剧增长，高分辨率雷达每秒输出数千个检测点，车载控制器处理所有原始点云将占用大量计算资源。边缘计算节点部署在路侧或基站侧，接收来自多个车载雷达与路侧雷达的点云数据，执行聚类、跟踪与目标分类等预处理操作。预处理后的目标列表通过车联网通信传输至云端融合平台，云端将来自不同边缘节点的感知结果进行时空同步与关联，生成全局动态地图。决策指令从云端下发至边缘节点，再由边缘节点通过低延迟通信链路传递至车辆执行机构。数据预处理与融合决策的分层部署缩短了感知到控制的闭环时间，为高速行驶场景中的紧急避障保留了充足的反应裕量。
毫米波雷达点云的预处理流程在边缘节点上完成目标检测与跟踪的计算卸载。原始点云包含距离、速度与角度三个维度的测量值，预处理阶段首先对点云进行滤波去除孤立噪声点与地面反射点。滤波算法利用点云的密度特征与空间分布特征区分有效目标与噪声，密度低于阈值的点被标记为噪声移除。滤波后的点云通过聚类算法将空间上邻近的点归并为同一目标，聚类算法输出每个目标的位置、尺寸与速度估计。聚类完成后，跟踪滤波器对连续帧中的同一目标进行关联，更新目标的运动状态与轨迹历史。预处理输出的目标列表数据量相比原始点云压缩了两个数量级，通过车联网上传至云端所需的带宽显著降低。
云端融合平台接收来自多个边缘节点的目标列表，执行跨传感器与跨节点的数据关联。不同边缘节点的时钟存在偏差，点云采集时间戳的同步精度影响关联的准确性。时间同步协议将各边缘节点的时钟误差校正至毫秒级，确保来自不同源的目标在时间轴上对齐。时空同步后的目标列表输入数据关联模块，关联算法判断不同节点上报的目标是否为同一物理实体，基于目标的位置、速度与尺寸特征计算关联置信度。关联置信度超过设定阈值的目标合并为一个融合目标，融合目标的状态估计通过加权平均或卡尔曼滤波更新。融合后的全局动态地图覆盖了边缘节点视野范围内的所有目标，每个目标具有全局唯一的标识与连续的运动轨迹。
边缘计算与云端的协同架构需要在通信延迟与计算延迟之间分配闭环时间预算。从雷达采集到车辆执行指令的总延迟包括边缘预处理延迟、边缘到云端的上行传输延迟、云端融合决策延迟以及云端到边缘的下行传输延迟。各段延迟的分配比例根据通信链路性能与计算资源动态调整。通信链路质量较好的场景中，上行传输延迟稳定在较低范围，闭环预算中的大部分时间可用于云端复杂模型的推理计算。通信链路拥塞或存在遮挡的场景中，边缘节点需要在本地完成初步决策并直接发送至车辆，云端融合作为备用路径提供增强信息。边缘节点本地决策的精度低于云端融合方案，但为紧急场景提供了时间确定性。不同计算节点之间的通信中断处理机制是协同架构的可靠性保障。边缘节点与云端的通信链路受无线信号质量影响可能发生间歇性中断，中断期间边缘节点无法将感知数据上传至云端，也无法接收云端的融合结果与决策指令。边缘节点内置的降级模式在通信中断时切换至独立工作状态，仅基于本地雷达数据进行目标检测与跟踪，生成的决策指令在精度上有所下降但维持基本的安全功能。通信恢复后边缘节点与云端进行数据同步，边缘节点上传中断期间的本地感知结果，云端将全局融合结果下发至边缘节点。数据同步过程中的时序管理需要避免旧数据覆盖新数据，每条感知数据与决策指令均携带精确的时间戳，接收节点根据时间戳确定数据的生效顺序。
协同架构中的计算资源调度需要适应交通流量的时空变化。城市中心区域的车辆密度较高，边缘节点需要处理来自多个雷达的大量点云数据，计算负载可能超过边缘节点的峰值算力。资源调度策略将部分预处理任务卸载至相邻边缘节点或云端虚拟化实例，实现计算负载的分布式分担。计算资源卸载的决策依据包括当前节点的处理器利用率、内存占用以及任务截止时间，利用率超过设定阈值时触发卸载请求。接收卸载任务的节点在完成本地任务的前提下接受卸载请求，通过任务队列管理调整处理顺序。负载均衡调度使各边缘节点的资源利用率维持在合理区间，避免个别节点过载导致预处理延迟增加。从毫米波雷达点云预处理到云端融合决策，边缘计算与云端的协同架构正在为自动驾驶构建一个按需分配计算与通信资源的闭环系统，这个系统的延迟边界由无线链路时延、边缘处理能力与云端融合效率共同支撑。
