论文《Scalable Edge-assisted Fusion and Path Prediction for Connected Autonomous Vehicles》于2026年9月3日提交至 arXiv，编号为 arXiv:2609.04364，作者包括 Tyler Landle 和其他四位合著者，研究方向归类为机器人学（cs.RO）与系统控制（eess.SY）。
论文聚焦自动驾驶汽车（AV）规划能力受限的问题。AV 的自车规划算法依赖车载传感器感知环境，但传感器视线容易被前方交通流、建筑物或其他障碍物遮挡。为了突破单车感知的局限，论文提出了一种基于边缘计算的系统 Conductor：它把具备通信能力的网联自动驾驶汽车（CAV）与路侧单元（RSU）的数据在边缘侧融合，以某个固定锚点（例如路侧单元）的位置为参考，构建统一的世界模型，并预测该区域内 CAV 的未来轨迹。这样生成的信息可以帮助自车规划器获得更完整的周围环境理解，从而改善交通流畅度并提升防撞能力。
Conductor 的设计针对当前方法在可扩展性和结果质量上的瓶颈。现有主流方法让每辆 CAV 在本地融合来自其他交通参与者的信息，这种逐车融合方式随着参与者数量增加会明显降低扩展性，也难以保证稳定的融合质量。与此同时，边缘服务器生成的世界模型和运动预测结果必须在一个严格的信息时效（Age of Information, AoI）预算内送达车辆规划器，否则对实时决策没有价值。Conductor 采取的策略不是一味融合更多车辆，而是动态限制参与融合的 CAV 数量，并优先选择那些最有利于提升最终质量的车辆输入。
实现层面，Conductor 包含两个协同工作的组件：遮挡感知选择器和运行时控制器。遮挡感知选择器会评估每辆 CAV 是否能检测到路侧单元覆盖范围之外的物体，优先纳入那些可以有效补全 RSU 感知盲区的车辆信息；运行时控制器则根据当前交通密度和计算预算，动态决定每轮融合多少个 CAV 的输入、进行多大范围的轨迹预测，从而保证每个周期都能够在 AoI 时限内完成任务。
研究团队在 CAV 仿真基础设施上进行了实验，覆盖了最多 31 辆 CAV 参与的多种交通场景。结果显示，Conductor 的联合选择器-控制器机制能够在所有测试场景下满足 AoI 安全边界；其融合保真度接近理论最优的 Oracle 方法，并且在相同的 AoI 约束下明显优于随机选择方法。这项研究为多车协同感知与边缘辅助决策提供了一种兼顾实时性、可扩展性与融合质量的可行方案。