1. 课程导入

欢迎进入《Apollo行为规划与场景决策工程》课程。行为规划是自动驾驶系统中承上启下的关键模块：上游接收路由、感知、预测与地图信息，下游向控制模块输出可执行的轨迹或动作指令。它决定了车辆在复杂交通环境中“怎么走、何时让、何时抢、如何绕”的核心策略。本课程将围绕Apollo平台的行为规划框架，系统讲解场景决策、规则引擎、状态机建模、交互博弈与工程落地方法。

一、核心概念：行为规划在自动驾驶中的位置

自动驾驶系统通常分为感知、预测、规划、控制四大模块。规划模块又细分为路由规划、行为规划、运动规划三层。路由规划回答“从A到B走哪条路”，行为规划回答“在当前场景下应采取什么驾驶策略”，运动规划则回答“具体轨迹如何生成”。行为规划的输出通常是语义级动作，例如“跟车”“换道”“让行”“停车”“绕行”，而非具体的油门刹车数值。

Apollo的行为规划模块以场景（Scenario）为组织单元。每个场景对应一类典型交通情境，如车道保持、变道、路口通行、人行横道、停车让行等。场景内部通过阶段（Stage）和任务（Task）两层结构实现决策逻辑。阶段表示场景内的状态迁移，任务表示阶段内需要执行的具体计算或判断。这种“场景—阶段—任务”的层级设计，使行为规划具备良好的可扩展性与可维护性。

另一个核心概念是决策框架（Decision Framework）。Apollo采用基于规则与基于学习相结合的方式：规则引擎负责处理确定性场景，如红绿灯停车、停止线让行；博弈与优化方法负责处理交互性强的场景，如无保护左转、汇入车流。理解这两类方法的适用边界，是后续工程实践的基础。

二、整体框架：从场景到动作的决策链路

Apollo行为规划的整体框架可以概括为“场景管理—阶段推进—任务执行—决策输出”四层链路。场景管理器根据地图、感知、预测信息判断当前激活场景；阶段管理器根据场景内条件触发状态迁移；任务执行器调用具体算法完成任务；最终输出决策结果给运动规划模块。

上图展示了Apollo行为规划从多源输入到决策输出的完整链路。输入层融合感知、预测、地图与定位信息；场景管理器负责识别当前所处场景并管理场景切换；阶段管理器在场景内部推进状态迁移；任务执行器调用具体算法完成决策计算；最终输出语义级动作指令给运动规划模块。

三、方法流程：场景决策的工程实现步骤

在实际工程中，开发一个行为规划场景通常遵循以下步骤：

1. 场景定义：明确场景的触发条件、边界条件与退出条件。例如“人行横道场景”的触发条件是车辆前方一定距离内存在人行横道且检测到行人。
2. 阶段划分：将场景拆解为若干阶段，如“接近人行横道—检测行人—减速停车—等待通行—起步通过”。
3. 任务设计：为每个阶段设计具体任务，如“计算停止线距离”“判断行人意图”“生成减速曲线”。
4. 规则编写：使用配置文件或代码实现判断逻辑与参数设置。
5. 仿真验证：在Apollo仿真平台中回放典型场景，验证决策逻辑的正确性与鲁棒性。
6. 实车调试：在封闭场地与开放道路进行实车测试，收集边界案例并迭代优化。

以下是一个场景配置的简化示例，展示了场景、阶段与任务的组织方式：

scenario: CROSSWALK
  trigger:
    distance_to_crosswalk: < 30.0
    pedestrian_detected: true
  stages:
    - APPROACH:
        tasks: [compute_stop_distance, check_pedestrian_intent]
    - STOP:
        tasks: [generate_decel_profile, hold_brake]
    - WAIT:
        tasks: [monitor_pedestrian_state]
    - PASS:
        tasks: [release_brake, generate_accel_profile]
  exit:
    distance_past_crosswalk: > 5.0

四、案例场景：无保护左转的决策挑战

无保护左转是行为规划中最具挑战性的场景之一。车辆需要在没有专用左转信号灯的路口，判断对向直行车辆、行人、非机动车的动态，寻找安全间隙完成左转。这一场景涉及多智能体交互、博弈决策与风险评估。

在Apollo框架中，无保护左转场景通常包含以下阶段：接近路口、等待间隙、执行左转、完成左转。每个阶段需要综合判断对向车辆的距离、速度、加速度，以及本车的转向能力与舒适性约束。决策结果可能是“等待”“缓慢蠕行”“加速通过”或“中止左转”。

五、常见误区与复盘要点

误区	表现	正确做法
场景划分过粗	一个场景包含过多逻辑，难以维护	按交通情境细分场景，保持单一职责
忽略边界条件	场景切换时出现逻辑跳变或死锁	明确定义进入/退出条件与超时处理
规则硬编码	参数散落在代码中，难以调优	使用配置文件管理参数，支持在线更新
缺乏仿真验证	直接实车测试，风险高、效率低	先仿真回放，再封闭场地，最后开放道路
忽视交互博弈	仅考虑本车行为，忽略他车反应	引入预测与博弈模型，评估交互影响

六、学习路径建议

本课程共30章，建议按以下路径学习：

• 基础篇（第1-6章）：理解行为规划架构、场景管理、阶段与任务机制、规则引擎基础。
• 核心篇（第7-18章）：掌握典型场景决策方法，包括跟车、变道、路口通行、人行横道、停车让行、无保护左转、汇入汇出、环岛通行等。
• 进阶篇（第19-24章）：学习交互博弈、风险评估、决策优化、多场景协调与优先级仲裁。
• 工程篇（第25-30章）：掌握仿真验证、实车调试、性能评测、日志分析、故障排查与持续迭代方法。

学习过程中，建议结合Apollo开源代码与仿真工具同步实践。每学完一个场景，尝试在仿真环境中复现并调整参数，观察决策变化。行为规划是一门实践性极强的工程学科，只有通过反复调试与复盘，才能真正掌握其设计精髓。

现在，让我们从行为规划的基本概念与整体框架开始，逐步深入Apollo场景决策工程的核心世界。