2. 自动驾驶行为规划概述

在自动驾驶的分层决策体系中，行为规划（Behavior Planning）承担着“承上启下”的关键角色。它位于任务规划与运动规划之间，负责把“从A到B”的宏观导航意图，翻译成一段段可被下游执行的具体驾驶行为。理解行为规划的定义、地位及其与运动规划、控制的关系，是掌握 Apollo 决策技术栈的起点。

一、行为规划的定义

行为规划是指在给定环境感知结果、地图信息、导航目标与交通规则约束下，为自车在有限时间窗口内选择一种或一组高层驾驶意图的过程。它的输出不是具体的油门、刹车或方向盘转角，而是诸如“跟车”“换道”“借道绕行”“路口左转”“靠边停车”这样的语义化行为指令。

可以用一个更工程化的表述来界定：行为规划解决的是“做什么”的问题，而运动规划解决的是“怎么做”的问题。前者输出离散或半离散的行为决策，后者输出连续、平滑、满足车辆动力学约束的轨迹。

二、行为规划在自动驾驶系统中的地位

典型的自动驾驶软件栈可划分为感知、预测、规划、控制四大模块。规划模块内部又常被细分为三层：任务规划（Route Planning）、行为规划（Behavior Planning）、运动规划（Motion Planning）。行为规划处于中间层，向上承接任务规划给出的全局路径，向下为运动规划提供决策约束。

这种分层设计的意义在于解耦：任务规划处理分钟级的路线选择，行为规划处理秒级的驾驶意图，运动规划处理毫秒级的轨迹生成。若把三者混在一起，系统将面临状态空间爆炸、规则难以维护、验证成本极高等问题。行为规划正是把复杂的连续驾驶问题，抽象为有限状态或有限选项的决策问题。

三、行为规划与运动规划、控制的关系

三者构成一条从抽象到具体的决策链。行为规划输出的是“语义决策”，运动规划将其转化为“几何轨迹”，控制则把轨迹跟踪为“执行指令”。它们的时间尺度、输出形式和验证方法都有显著差异。

需要强调的是，行为规划并非孤立模块。它必须与预测模块形成闭环：预测给出他车未来可能的轨迹分布，行为规划据此评估不同行为的风险与收益；行为规划的结果又会反过来影响预测的交互推理。这种“预测—决策”耦合是城市复杂场景中的核心难点。

四、典型场景案例：无保护左转

以无保护左转为例，自车在路口等待左转，对向有直行车辆。行为规划需要完成以下判断：当前是否具备左转间隙？对向车辆是否会减速让行？是否有行人正在穿越？若间隙不足，应选择“等待”还是“缓慢蠕行试探”？

场景：无保护左转
输入：
  - 对向直行车距离 35m，速度 12m/s
  - 行人位于左侧人行横道，静止
  - 左转绿灯，无左转专用相位
行为候选：
  A. 立即左转
  B. 等待对向车通过后左转
  C. 缓慢蠕行至路口中心等待
决策依据：
  - 若对向车 TTC < 4s，排除 A
  - 若行人进入冲突区，排除 A、C
  - 选择 B，输出目标停车点与等待行为

这个案例说明，行为规划的输出必须足够明确，才能让运动规划生成安全轨迹。如果行为规划只给出“左转”而不说明“何时转、转到哪条车道、遇到冲突如何退让”，运动规划将无法独立完成决策。

五、常见误区与复盘

• 误区一：把行为规划等同于规则判断。规则只能覆盖有限场景，真实道路存在大量模糊、交互和博弈情形，需要概率推理与学习型方法补充。
• 误区二：行为规划输出越细越好。输出过细会侵占运动规划的优化空间，导致轨迹不可行或频繁重规划；输出过粗则让运动规划承担过多决策负担。
• 误区三：忽略时间一致性。行为频繁切换会造成车辆抖动、乘客不适，甚至引发后车误判。行为规划需要引入迟滞、保持时间和切换代价。
• 误区四：只关注自车最优。行为规划必须考虑他车反应，否则容易陷入“自车认为安全、他车并不让行”的冲突。

综上，行为规划是自动驾驶决策链中连接宏观导航与微观轨迹的桥梁。它把复杂的连续驾驶问题抽象为可解释、可验证的离散决策问题，同时又要为下游运动规划保留足够的优化空间。理解它的定义、地位与上下游关系，是后续学习 Apollo 行为规划框架、场景决策与状态机设计的基础。