本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：基于车路云协同体系架构，系统研究了智能交通系统中的关键技术，介绍了通感融合基站的资源分配优化与协同组网方法；构建了面向交通场景的多模态行业大模型，引入视觉提示机制优化策略，提升复杂交通事件的定位精度；设计了基于贡献度评估的个性化联邦学习框架，克服数据异构性对联邦学习性能下降的影响。通过上述技术的协同创新，有效解决智能交通系统中的实时响应、场景理解与隐私保护等核心问题。
关键词：智能交通系统；车路云协同；通感一体；多模态大模型；联邦学习
doi：10.12045/j.issn.1007-3043.2026.04.002
0 引言
智能交通利用现代信息技术、通信技术和控制技术等，对城市道路交通规划、设计、建设、运营和管理等方面进行智能化改造和升级，从安全、效率、节能等方面改善人们的出行体验。<《“十四五”现代综合交通运输体系发展规划》中提出积极稳妥发展工业互联网和车联网，聚焦人工智能等关键技术的研发与迭代应用，构建与数字经济发展相适应的政策法规体系。车路云协同是智能交通的关键实现路径，融合了车辆智能化、道路智能化以及云端计算与通信能力，其核心在于通过高速可靠的通信网络，实现车—车（Vehicle-to-Vehicle，V2V）、车 — 路（Vehicle-to-Infrastructure，V2I）、车 — 网（Vehicle-to-Network，V2N）、车 — 人（Vehicle-to-Pedestrian，V2P）之间四联交互，实现车辆、道路基础设施与云端平台之间的高效、实时信息共享与协同决策，形成具有“线上资源合理分配，线下高效优质运行”的新业务模式，提升交通安全、缓解交通拥堵、优化出行效率。
近年来，通感一体、行业大模型、联邦学习等新兴技术在智能交通领域展现出巨大的应用潜力。通感一体技术打破了传统通信与感知相互独立的模式，实现了通信与感知功能的深度融合，可有效提升交通系统的信息获取能力。行业大模型基于大规模交通数据进行训练，能够对复杂的交通场景进行准确理解和预测，为智能交通决策提供强大支持。联邦学习则在保障数据隐私安全的前提下，实现了跨机构、跨区域的交通数据联合建模与分析，促进了交通数据的共享与利用。因此，深入研究这些技术在智能交通中的应用具有重要的现实意义。
文献［1-4］提出基于LTE 的车联网技术(LTE=V2X) ,奠定了蜂窝车联网(Cellular Vehicle-to-Everything,C-V2X)系统架构和技术路线。C-V2X 以蜂窝通信技术为基础，利用移动通信的产业规模经济降低成本。同时提出基于车联网“聪明的车、智慧的路、协同的云”的智能交通发展模式。
通感一体(Integrated Sensing and Communication,ISAC)技术［2］［6］,作为5G-A的一项革新技术,将通信与感知能力融合在同一硬件平台和同一频段中，能够有效降低系统硬件开销、提高频谱效率。ISAC也是6G中的一项重要发展方向。
多模态大模型是融合了文本、图像、视频、音频等多种模态信息处理能力的新一代AI模型［11-20］，主要由3个核心模块组成：模态编码器、预训练语言模型和模态接口。多模态大模型在智能交通领域具有显著优势，多模态信息融合能力，能够有效整合视觉图像、传感器数据等多种信息源，可辅助实现目标识别、环境感知、交通事件检测、交通流量预测、交通信号优化、出行路线规划等交通场景需求。
联邦学习是一种在不披露数据隐私的前提下，让各参与方协作进行模型训练的分布式机器学习框架［17-19］。 联邦学习常常面临着数据异构的严峻挑战，为此研究者提出多种个性化联邦学习算法［30-34］。其核心逻辑是：“压缩传输内容+减少无效通信+适配异构特性”。通过模型压缩降低单次通信量，通过动态策略减少总轮次，同时结合个性化模型设计减少全局与本地的参数差异，最终在保护数据隐私和适应数据异构的前提下，提升模型的准确性和效能。
本文首先对车路云协同系统［2026］的网络架构进行概述；接着分别针对通感融合基站、多模态行业大模型、个性化联邦学习等关键技术要点展开阐述。
