课程导入：无人车避障决策的整体流程、学习目标、核心挑战与课程框架
无人驾驶汽车在开放道路上行驶时，面临的核心问题并非“能不能动”，而是“如何安全地动”。避障决策系统作为连接感知、预测与控制的枢纽，承担着将传感器数据转化为安全、平滑、可执行的驾驶行为的关键职责。本章作为整个课程的起点，将为你建立无人车避障决策的全局视野：从整体流程的拆解，到学习目标的明确，再到核心挑战的剖析，最后给出贯穿全课程的框架地图。无论你是算法工程师、系统集成人员，还是自动驾驶领域的技术管理者，理解这一章的内容都将为后续深入学习距离估计、风险建模与刹停策略打下坚实的认知基础。
1.1 避障决策的整体流程：从传感器到执行器
无人车避障决策并非一个孤立的算法模块，而是一条完整的数据处理与决策链路。整个流程可以概括为“感知-预测-决策-控制”四层架构。感知层负责将激光雷达点云、摄像头图像、毫米波雷达回波等原始数据转化为结构化目标信息，包括障碍物的位置、尺寸、类型和相对速度。预测层则基于历史轨迹和交互行为，估计障碍物在未来1-3秒内的可能位置。决策层是本章课程的核心关注点，它接收感知与预测结果，结合自车状态（速度、航向、加速度）和道路结构（车道线、路沿、交叉口），输出避障策略——是保持车道、减速跟车、变道绕行还是紧急刹停。控制层将决策指令转化为具体的转向角、油门开度和制动压力。
值得注意的是，决策层内部又包含三个关键子模块：距离估计（自车与障碍物的相对距离及相对速度）、风险等级评估（将距离、速度、加速度、道路摩擦系数等因素综合为碰撞风险指数）、刹停策略生成（根据风险等级选择舒适制动、全力制动或转向避让）。这三个子模块构成了本课程的核心主线，后续所有章节都将围绕它们展开。
工程视角提示：在实际无人车系统中，决策层通常运行在实时操作系统（如QNX或Preempt-RT Linux）上，决策周期要求严格稳定在50-100ms之间。这意味着从传感器数据到达决策模块到输出控制指令，整个计算链路不能出现明显的抖动。因此，距离估计和风险等级评估的算法不仅要准确，还必须具备可预测的计算复杂度。
1.2 学习目标：掌握避障决策的三大核心能力
完成本课程学习后，你将具备以下三项核心能力。第一，精准的距离估计能力：能够理解并实现基于几何模型（如激光雷达点云聚类）、视觉深度估计（单目/双目）和多传感器融合的距离测量方法，并掌握不同方法在雨雾、光照变化、目标遮挡等条件下的适用边界。第二，科学的风险等级划分能力：能够建立从“安全”到“危险”的量化风险指标体系，理解基于时间余量（TTC，Time-to-Collision）、距离余量、制动减速度需求等参数的风险评估模型，并能够针对不同场景（高速巡航、城市低速、十字路口）调整风险阈值。第三，可靠的刹停策略设计能力：能够设计分级的制动策略——从预警提示、部分制动、全力制动到紧急转向避让，并理解每级策略触发的条件、执行器的响应特性以及失效保护机制。
除了算法能力，本课程还强调系统化思维的培养。避障决策不是孤立的算法竞赛，而是需要与感知置信度、控制执行精度、车辆动力学极限紧密耦合的系统工程。例如，当感知模块对障碍物类型识别置信度较低时（如无法区分是塑料袋还是石块），决策模块应如何调整风险等级？当车辆高速行驶且路面湿滑时，紧急刹停是否会导致车辆失控？这些问题都将在课程中通过案例和实验进行深入探讨。
1.3 核心挑战：为什么避障决策如此困难
避障决策之所以是自动驾驶领域最具挑战性的问题之一，主要源于以下四个方面的矛盾与不确定性。
| 挑战维度 | 具体表现 | 对决策的影响 |
|---|---|---|
| 环境动态性 | 行人突然横穿、相邻车辆强行加塞、动物窜出 | 要求决策算法具备极低的延迟和强鲁棒性，不能依赖静态假设 |
| 感知不确定性 | 传感器噪声、目标漏检、距离测量误差（尤其在远距离或恶劣天气下） | 距离估计必须包含置信度区间，风险等级需考虑最坏情况 |
| 多目标冲突 | 避让行人可能导致与后方车辆碰撞；急刹可能引发追尾 | 需要全局优化策略，而非局部最优解 |
| 安全与舒适平衡 | 频繁急刹影响乘客体验，但过于保守的决策又会导致交通效率低下 | 需要设计可调的风险偏好参数，并满足ISO 26262功能安全标准 |
以典型的“鬼探头”场景为例：一辆无人车以40km/h行驶在城区道路，右侧停放的车辆突然遮挡了视线，一个儿童从停车间隙冲出。此时，感知层可能只有不到0.5秒的反应时间，距离估计的误差可能达到±0.3米，而车辆从感知到制动完全抱死至少需要0.8秒（包括传感器延迟、决策计算延迟、制动系统响应延迟）。在这种极限工况下，决策算法必须在极短的时间内完成风险等级判定，并输出最大制动指令。这要求距离估计模块不仅要提供当前距离，还要结合相对加速度预测未来0.5秒内的距离变化。
风险警示：在真实道路测试中，过度依赖单一传感器（如仅依赖摄像头）进行距离估计是极其危险的。摄像头在逆光、夜间或雨雪天气下的深度估计误差可能超过20%，这足以导致风险等级误判。因此，本课程强调多传感器融合的必要性，并会详细讲解如何通过卡尔曼滤波或因子图优化来融合激光雷达和毫米波雷达的距离信息。
1.4 课程框架：从基础到实战的进阶路径
本课程共30章，按照“基础-核心-进阶-实战”的逻辑组织。第1-5章为基础与感知篇，涵盖传感器原理、目标检测与跟踪、坐标系变换等前置知识，为距离估计打下基础。第6-12章为距离估计与风险建模篇，这是本课程的技术核心，将深入讲解基于几何、学习与融合的距离估计方法，以及TTC、MTC（Minimum Time-to-Collision）等风险指标的计算与标定。第13-20章为决策算法与策略篇，介绍基于规则、优化、强化学习的决策方法，并重点讲解如何将风险等级映射为具体的避障行为。第21-26章为刹停策略与执行篇，聚焦制动系统的物理极限、ABS/ESP与自动驾驶的交互、以及分级制动策略的工程实现。第27-30章为系统集成与测试篇，涵盖硬件在环仿真、封闭场地测试、公开道路测试的安全规范与故障注入方法。
每一章都遵循统一的内容结构：核心原理（讲清楚“为什么”）、判断方法或操作流程（讲清楚“怎么做”）、案例拆解或实战场景（通过真实数据或仿真场景验证）、常见误区或总结复盘（避免踩坑）。这种结构设计旨在帮助你将理论知识与工程实践紧密结合。
学习建议：建议在学习过程中配合开源的自动驾驶仿真平台（如CARLA、SUMO）进行实践。例如，在第6章学习距离估计时，可以在CARLA中设置不同天气和光照条件，对比激光雷达与摄像头在不同场景下的测距精度。这种动手实践将极大加深对理论知识的理解。