論文《Scalable Edge-assisted Fusion and Path Prediction for Connected Autonomous Vehicles》於2026年9月3日提交至 arXiv，編號為 arXiv:2609.04364，作者包括 Tyler Landle 和其他四位合著者，研究方向歸類為機器人學（cs.RO）與系統控制（eess.SY）。
論文聚焦自動駕駛汽車（AV）規劃能力受限的問題。AV 的自車規劃演算法依賴車載感測器感知環境，但感測器視線容易被前方交通流、建築物或其他障礙物遮擋。為了突破單車感知的侷限，論文提出了一種基於邊緣計算的系統 Conductor：它把具備通訊能力的網聯自動駕駛汽車（CAV）與路側單元（RSU）的資料在邊緣側融合，以某個固定錨點（例如路側單元）的位置為參考，構建統一的世界模型，並預測該區域內 CAV 的未來軌跡。這樣生成的資訊可以幫助自車規劃器獲得更完整的周圍環境理解，從而改善交通流暢度並提升防撞能力。
Conductor 的設計針對當前方法在可擴充套件性和結果質量上的瓶頸。現有主流方法讓每輛 CAV 在本地融合來自其他交通參與者的資訊，這種逐車融合方式隨著參與者數量增加會明顯降低擴充套件性，也難以保證穩定的融合質量。與此同時，邊緣伺服器生成的世界模型和運動預測結果必須在一個嚴格的資訊時效（Age of Information, AoI）預算內送達車輛規劃器，否則對即時決策沒有價值。Conductor 採取的策略不是一味融合更多車輛，而是動態限制參與融合的 CAV 數量，並優先選擇那些最有利於提升最終質量的車輛輸入。
實現層面，Conductor 包含兩個協同工作的元件：遮擋感知選擇器和執行時控制器。遮擋感知選擇器會評估每輛 CAV 是否能檢測到路側單元覆蓋範圍之外的物體，優先納入那些可以有效補全 RSU 感知盲區的車輛資訊；執行時控制器則根據當前交通密度和計算預算，動態決定每輪融合多少個 CAV 的輸入、進行多大範圍的軌跡預測，從而保證每個週期都能夠在 AoI 時限內完成任務。
研究團隊在 CAV 模擬基礎設施上進行了實驗，覆蓋了最多 31 輛 CAV 參與的多種交通場景。結果顯示，Conductor 的聯合選擇器-控制器機制能夠在所有測試場景下滿足 AoI 安全邊界；其融合保真度接近理論最優的 Oracle 方法，並且在相同的 AoI 約束下明顯優於隨機選擇方法。這項研究為多車協同感知與邊緣輔助決策提供了一種兼顧即時性、可擴充套件性與融合質量的可行方案。