路侧感知系统在车路协同架构中承担着环境信息采集与交通状态识别的核心职能。毫米波雷达凭借其对光照与天气条件不敏感的优势，成为路侧感知的主要传感器之一，其输出的点云数据包含了目标距离、速度与角度等多维信息。然而，毫米波雷达点云的数据量在持续扫描模式下迅速累积，传统云端处理方式因传输带宽与响应延迟的制约难以满足车路协同对实时性的要求。边缘计算将数据处理能力从中心云端下沉至路侧节点，使点云数据的实时处理成为可能。在此基础上，路侧感知结果通过车联万物通信链路形成闭环控制，使车辆能够根据路侧提供的感知信息调整驾驶决策，从而构建完整的感知—计算—通信—控制链路。
毫米波雷达点云的实时处理在边缘计算架构下呈现出与云端处理截然不同的技术特征。边缘节点的计算资源相较于云端数据中心存在明显约束，其处理器算力与内存容量均有限，因此点云处理算法必须在保持感知精度的前提下进行轻量化适配。点云预处理阶段包括噪声滤除、目标聚类与运动跟踪三个主要环节。噪声滤除用于消除由多径反射或杂波产生的虚假点迹，目标聚类将空间上相邻的点迹归并为同一检测目标，运动跟踪则利用连续帧之间的点云关联关系估计目标的速度与运动方向。这三个环节的计算复杂度依次递增，其中目标聚类与运动跟踪对计算资源的需求与检测目标数量呈指数关联，在交通高峰期路侧雷达可能同时检测到数十个移动目标，计算负载的峰值压力需要边缘节点具备动态的资源调配能力。
边缘计算架构的选择直接影响路侧感知系统的实时处理性能。当前工程实践中主要采用两类部署方案，一类是通用处理器加图形处理器的异构计算平台，利用图形处理器的并行计算能力加速点云聚类与跟踪算法的矩阵运算，另一类是采用嵌入式神经网络处理器的人工智能加速方案，将点云特征提取与目标分类任务交由专用硬件完成。两类方案在处理延迟与功耗指标上各有侧重，异构计算平台适合处理复杂多变的交通场景，嵌入式神经网络处理器方案则在功耗受限的户外路侧设备中更具优势。无论采用何种架构，边缘节点均需配备实时操作系统以保证任务调度的确定性，避免通用操作系统的调度抖动对点云处理的周期性产生干扰。点云处理任务被划分为多个具有不同优先级和截止时间的子任务，高优先级的运动目标跟踪任务需在每帧雷达数据到达后的特定时间内完成，以保证跟踪输出的连续性。
感知结果通过车联万物通信链路形成闭环控制的架构设计需要考虑通信时延与控制响应之间的匹配关系。路侧边缘节点完成点云处理并提取出交通目标的轨迹信息后，需将这些信息编码为符合通信协议格式的消息，通过路侧通信单元广播至覆盖范围内的车辆。车辆接收消息并解析后，将其与车载传感器信息进行融合，最终生成驾驶决策或预警指令。这一闭环链条的总时延由边缘计算时延、通信传输时延与车辆端处理时延三部分构成，其中边缘计算时延取决于点云处理算法的复杂度与边缘节点算力，通信传输时延则与通信链路的负载状态及调制编码方案相关。闭环控制的有效性要求总时延稳定在特定应用场景所允许的时间窗口内，例如在协作式交叉路口通行场景中，从雷达检测到车辆接近至路口到该车辆收到协同通行指令的端到端时间需控制在数十毫秒以内。
闭环控制架构中的决策可信度是路侧感知系统被车辆驾驶决策系统接纳的前提。边缘计算平台输出的目标位置与速度信息不可避免地存在测量噪声与跟踪误差，若这些误差未被准确表征并传递给车辆端，车辆基于路侧信息做出的决策可能缺乏安全冗余。因此，边缘节点的输出接口需包含对每个目标轨迹的不确定度描述，车辆端的决策算法将路侧感知的不确定度与车载传感器的置信度进行加权融合，避免过度依赖路侧信息而忽视车载传感器的直接观测。这种融合策略的协同设计在工程实现中涉及数据格式标准化与通信协议扩展，以支持不确定度参数的传输。同时，边缘节点的点云处理算法需在检测概率与虚警概率之间保持平衡，过高的虚警概率将导致车辆端频繁响应虚假目标，过低的检测概率则可能遗漏真实危险目标。
边缘计算赋能路侧感知系统的工程部署还需要解决环境适应性、可靠性与可维护性等方面的实际问题。毫米波雷达在雨雪天气下的性能衰减已有充分认识，但边缘计算节点与通信设备在户外环境下的长期稳定性同样值得关注。路侧机柜内的温度控制、防尘防水等级及供电保障直接影响边缘计算平台的运行可靠性。在系统架构层面，路侧感知系统需具备故障检测与降级运行的能力，当边缘计算节点发生软件异常或硬件故障时，系统应能够切换至备用处理通道或降低处理频率继续输出感知结果，避免因单点故障导致整个路侧感知功能中断。目前，边缘计算赋能的毫米波雷达路侧感知系统已在多个城市的智能网联示范区内完成部署并投入实际运营，系统运行数据为边缘计算平台的算力配置与点云处理算法优化提供了实证依据，也为车路协同大规模部署积累了工程经验。
