车路协同产业发展中，精准感知是路侧智能化部署的关键点之一。全天候、大覆盖、高精度、多功能、低成本感知方案是未来的发展方向，雷视融合是一种解决方案。
一、现有交通传感器
交通传感器主要是实现路况环境的数据信息采集，为路侧感知网络提供原始数据。现有交通传感器主要分为两大类：第一类是传统的传感器，包括感应线圈、截面雷达和地磁钉等，这些设备仅可以获得某一截面或瞬时的车辆所在车道和车速信息。第二类是交通目标传感器。
现有的交通目标传感器主要有以下3种：
1、AI摄像头：能够检测交通参与者类型，比如车辆、行人和骑行者；缺点是定位精度不高，且受天气和光照强度的影响较大。
2、激光雷达：能够准确检测出静止和运动目标的位置、速度以及目标物的尺寸等信息；缺点是对环境敏感度高，对机械转动部件、寿命和可靠性有影响。
3、交通毫米波雷达：能够准确地检测目标的位置、速度等信息并且不受天气状态的干扰，覆盖范围大，综合性价比高；缺点是横向精度较低，且无法精确区分目标类型。
二、车路协同对路侧感知传感器的要求
车路协同系统现阶段需要支持全息交通管理应用的各种场景，而未来更是需要为无人驾驶提供有效的路侧数据支持。所以车路协同系统需要对交通道路进行全域覆盖、全天候感知，对感知的精度和实时性也提出了很高的要求。根据对《合作式智能运输系统车用通信系统应用层及应用数据交互标准》等行业标准分析，车路协同系统对路侧感知传感器提出了以下的要求：
1、全天候：白天、夜间，不受光线影响；雾霾、下雨，精度不受影响
2、大覆盖：每公里覆盖需求数量少；减少部署所需的附加成本
3、高精度：位置、速度矢量精度高；面向算法，而非面向人眼
4、多功能：单传感器实现大部分功能；减少边缘计算复杂度
5、低成本：综合部署成本低；可靠性高、维护成本低
三、雷视融合解决方案
雷视融合是全新一代专门针对车路协同所设计的智能传感方式，是将摄像头、毫米波雷达和高性能处理器结为一体进行交通传感。雷视融合将原始的视频流和雷达数据流同时通过MIPI和SPI接口接入到一体机中的嵌入式处理器中。在内置的嵌入式处理器中直接对原始的视频流进行AI目标提取，然后通过内建的坐标映射系统将视频目标投影到雷达坐标系中，最后对视频目标和雷达目标进行融合跟踪处理，实现全局目标的实时矢量化和跟踪。
通过内置的ARM+NPU嵌入式处理器实时将视频和雷达数据进行融合，输出目标矢量数据。通过TFES目标融合边缘服务器将多方向的矢量目标数据进行融合，形成路口或路段的全局实时目标数据源，从而为边缘计算层的决策、控制、交互等提供稳定可靠的数据支撑。TFES目标融合边缘服务器也可以获取RSU通过空口采集到的网联车辆信息数据，计算出整个道路上交通参与者的信息。RSU能够获取边缘计算单元融合后的所有交通参与者的信息，通过V2X通信方式将整个路口或者路段上的交通参与者信息发送给周围的智能网联车辆OBU。
四、真假“雷视融合”？
“雷视融合”或者说“雷视配合”在刚问世时就受到行业关注，在满足部分交通管理需求的同时也提供了一些建设思路。但随着如车路协同、自动驾驶等智能交通新项目的落地，对交通信息数据的要求更为全面，在时空性、数据处理延迟等方面提出了更加精细的要求，对融合应用的要求，不只要做到1+1=1，1+1=2的效果成为技术发展追求目标。因此，企业不仅在硬件方面，更是在软件方面上将雷达实时检测数据与视频实时检测数据进行时空匹配，确保两者数据的同时空性，并将数据信息处理放置在路侧端，确保数据的实时性，掀起了一阵“边缘计算”的小高潮。除了融合应用，通过先进技术赋能也成为当前交通检测器升级的主流选择之一。如AI+视频就是通过AI技术对视频检测器进行赋能升级，通过软件算法对视频数据进行再处理，提升数据检测精度和对交通参与者的辨识度。于是衍生出AI+视频、雷视融合、雷视一体机等依托技术赋能或设备融合的相关产品，以达到取长补短的目的。
