2. 自动驾驶系统基础

自动驾驶系统本质上是一个“感知-决策-执行”的闭环智能体，其核心由感知（Perception）、决策（Decision）、规划（Planning）和控制（Control）四大模块构成。理解这四大模块的功能边界、数据接口与协作机制，是进行场景建模与仿真测试的前提。场景并非孤立的数据包，而是贯穿所有模块的“上下文”——它既是感知的输入约束，也是决策与规划的逻辑边界，更是控制模块的物理极限校验基准。本章将系统拆解各模块的职责、数据流关系，并重点剖析场景在模块协同中的核心作用。

2.1 感知模块：从原始传感器数据到环境模型的构建

核心原理

感知模块负责将物理世界的原始信号转换为结构化、可计算的环境表征。其输入包括摄像头图像、激光雷达点云、毫米波雷达目标数据以及GPS/IMU定位信息。感知的最终输出并非简单的“检测到物体”，而是包含语义标签、空间位置、速度矢量、朝向角、尺寸以及历史轨迹的障碍物列表，同时还包括车道线几何、路沿边界、交通标志语义、可行驶区域栅格等静态环境要素。在L3级以上系统中，感知还需输出目标意图预测（如行人是否准备横穿），这通常由轨迹预测子模块完成。

感知模块内部通常分为三个层级：底层感知（信号处理与特征提取）、中层融合（多传感器时间/空间对齐与目标级融合）、高层语义（场景理解与态势评估）。其中，中层融合是决定系统鲁棒性的关键——摄像头在弱光下失效时，激光雷达和毫米波雷达需要无缝接管；反之，激光雷达在雨雾中衰减时，摄像头和毫米波需提供冗余。

判断方法或操作流程

在仿真测试中，评估感知模块性能不能只看“检测精度”，还需关注以下流程性指标：

1. 数据同步性检查：各传感器时间戳偏差是否小于20ms，空间坐标系是否统一（通常以自车后轴中心为原点）。
2. 目标生命周期管理：新目标如何创建、跟踪中如何关联、丢失后何时删除（通常设置2~3秒的保留窗口）。
3. 感知范围边界：有效探测距离、FOV（视场角）盲区、遮挡条件下的退化模式。
4. 输出延迟预算：从传感器采集到感知结果发布的总延迟，L3级系统通常要求小于100ms。

案例拆解：雨天十字路口感知失效分析

某L4级测试车辆在雨天通过无保护左转路口时，感知模块将路边积水反光误检为可行驶区域，导致车辆试图驶入对向车道。事后分析发现：摄像头图像中积水区域与天空反射形成高亮纹理，语义分割模型将其分类为“路面”，而激光雷达点云在积水表面产生镜面反射，点云密度骤降，无法提供有效修正。该案例暴露了多传感器置信度动态权重的缺失——在雨天场景中，应降低摄像头纹理特征的权重，提高毫米波雷达对静态障碍物的置信度。仿真测试中，需要构建包含“积水反光”“雨滴遮挡”“点云稀疏”的复合场景，并注入传感器退化参数，才能复现此类问题。

常见误区或总结复盘

• 误区一：认为感知精度越高系统越安全。实际上，感知的不确定性表达（协方差矩阵、置信度）比精度数值更重要，决策模块需要感知的不确定性来评估风险。
• 误区二：忽略感知延迟的累积效应。单帧延迟100ms看似可接受，但连续10帧的延迟抖动会导致决策模块基于过期信息做判断。
• 复盘要点：感知模块的测试必须覆盖“传感器部分失效”场景，如单目摄像头被泥浆遮挡、激光雷达某个扫描层故障等，验证系统能否优雅降级。

2.2 决策模块：行为选择与风险仲裁

核心原理

决策模块接收感知输出的环境模型，结合自车状态（速度、位置、航向）和路由信息（目的地、路径），输出驾驶行为指令，例如“保持当前车道跟车”“向左变道”“在停止线前停车”“通过交叉口”等。决策不是简单的规则匹配，而是在不确定性条件下进行风险-收益权衡的过程。其核心算法包括：有限状态机（FSM）、行为树（Behavior Tree）、马尔可夫决策过程（MDP）以及基于深度强化学习的端到端策略。

决策模块的关键挑战在于处理交互博弈——其他交通参与者（人类驾驶员、行人）的行为并非完全理性可预测。例如，当自车准备变道时，目标车道后方车辆可能加速或减速让行，决策模块需要预测这种交互并选择最优策略。场景中的交通流密度、参与者类型组合、道路优先级规则，都直接影响决策策略的选择。

判断方法或操作流程

在仿真环境中验证决策模块，需要关注以下判断流程：

1. 场景语义解析：将场景中的交通规则（限速、禁停、让行标志）转化为决策模块可执行的约束条件。
2. 风险度量定义：设定碰撞时间（TTC）、最小安全距离、加速度变化率等量化指标，作为决策优劣的客观评价。
3. 行为合理性评估：不仅看是否安全，还要看是否符合人类驾驶习惯（如变道是否过于激进、跟车距离是否过远导致交通效率下降）。
4. 边界条件测试：在“两难场景”中验证决策的鲁棒性，例如：左侧有连续实线、右侧有行人闯入、后方有高速来车时，如何选择。

案例拆解：无保护左转的决策博弈

在无保护左转场景中，自车必须在对向直行车流中寻找可穿越间隙。传统FSM方法设定“对向车辆距离大于50米且TTC大于5秒”才执行左转，这导致在交通拥堵时车辆永远无法完成左转。改进方案采用MDP模型，将场景中的对向车辆速度、加速度、驾驶员让行意图（通过历史轨迹预测）作为状态变量，将“等待”“缓慢前进试探”“加速通过”作为动作空间，通过价值迭代求解最优策略。仿真测试中，构建了200组不同间隙、不同车速、不同驾驶员激进程度的场景，验证了改进决策在通行效率上提升40%，同时碰撞风险未增加。该案例说明，决策模块必须与场景的动态语义深度耦合，静态阈值无法应对复杂交互。

常见误区或总结复盘

• 误区一：将决策模块视为“if-else规则库”。真实交通场景的组合爆炸使得规则无法穷举，必须引入概率推理或学习型方法。
• 误区二：忽略决策的时间一致性。决策模块在相邻帧之间不应产生频繁的指令跳变（如“变道-取消变道-再变道”），这会导致规划与控制的不稳定。
• 复盘要点：决策测试场景应包含“意图模糊”场景，如行人站在路边但未明确是否过马路，验证决策模块是否采取保守策略（减速准备停车）而非激进策略（保持速度通过）。

2.3 规划模块：从行为指令到可执行轨迹

核心原理

规划模块将决策模块输出的行为指令转化为具体的、满足运动学约束的轨迹。规划分为两个层级：全局规划（Routing）在车道级拓扑中搜索从起点到终点的路径，通常基于高精地图的lane graph，使用A*或Dijkstra算法；局部规划（Trajectory Planning）在全局路径的约束下，生成未来5~8秒内的离散轨迹点（位置+速度+加速度），需满足避障、交通规则、乘坐舒适性（加加速度限制）和车辆动力学约束（最大转向角、最大横向加速度）。

局部规划的核心方法是采样-优化框架：在Frenet坐标系下，分别对横向（d）和纵向（s）方向进行多项式采样，生成候选轨迹簇，然后通过代价函数（包含碰撞代价、偏离参考线代价、速度代价、加速度代价）选择最优轨迹。近年来，基于优化的方法（如MPC轨迹规划）和基于学习的方法（如Imitation Learning）也逐渐成熟，但采样-优化因其可解释性和稳定性仍是工业界主流。

判断方法或操作流程

规划模块的仿真测试需关注以下流程性指标：

1. 轨迹可行性：生成的轨迹是否满足车辆运动学（曲率连续、曲率变化率有界）和动力学（加速度、加加速度限制）约束。
2. 碰撞安全性：轨迹与所有障碍物（包括动态障碍物的预测轨迹）之间的最小距离是否大于安全阈值（通常为0.3~0.5米）。
3. 舒适性指标：横向加速度变化率（Jerk）是否小于2m/s³，纵向加加速度是否小于3m/s³。
4. 实时性：规划周期是否在50~100ms内完成，且轨迹发布延迟是否稳定。

案例拆解：高速匝道汇入的轨迹规划

在高速匝道汇入主路场景中，自车需要在有限加速车道内将速度从60km/h提升至100km/h，并找到主路车流中的可插入间隙。规划模块的挑战在于：主路车辆的预测轨迹具有不确定性（可能加速或减速），且加速车道的长度有限。某测试案例中，规划模块生成了三条候选轨迹：激进加速（在匝道末端前完成汇入）、匀速等待（寻找更大间隙）、减速让行（放弃本次汇入）。代价函数中，将“汇入失败”的代价设为最高，同时将“与主路车辆TTC小于3秒”的代价设为次高。最终选择了一条在匝道2/3处加速汇入的轨迹，横向加速度峰值为1.8m/s²，纵向加加速度为2.1m/s³，满足舒适性要求。该案例表明，规划模块需要场景提供“间隙预测”信息，即主路车流的动态间隙变化模型。

常见误区或总结复盘

• 误区一：只验证规划轨迹的终点是否安全，忽略轨迹中间过程的平滑性。实际上，轨迹的曲率突变会导致控制模块跟踪失败。
• 误区二：将规划与决策完全解耦。规划模块在遇到无法生成可行轨迹时，应能回退请求决策模块重新决策（如从“变道”回退为“跟车”），这种闭环机制必须在仿真中验证。
• 复盘要点：规划测试场景应包含“狭窄通道会车”“施工区域临时改道”“前方静止故障车辆”等典型场景，验证轨迹生成在极端约束下的可行性。

2.4 控制模块：轨迹跟踪与车辆动态响应

核心原理

控制模块是自动驾驶系统的“手脚”，负责将规划模块输出的目标轨迹转化为具体的车辆执行指令（方向盘转角、油门开度、制动压力）。控制分为横向控制（转向）和纵向控制（速度/加速度）。横向控制常用方法包括：纯跟踪（Pure Pursuit）、Stanley方法、线性二次调节器（LQR）和模型预测控制（MPC）；纵向控制常用PID和MPC。现代L4级系统普遍采用MPC，因为它能显式处理执行器约束（如最大转向角、最大制动减速度）和状态约束（如横向偏差、速度偏差）。

控制模块的性能不仅取决于算法本身，还取决于车辆动力学模型的精度。仿真测试中，通常使用高精度车辆动力学模型（如CarSim、veDYNA）作为被控对象，而控制模块内部使用简化模型（如自行车模型）进行预测。这种“模型失配”是控制误差的主要来源，也是仿真测试需要重点覆盖的环节。

判断方法或操作流程

控制模块的仿真测试指标包括：

1. 跟踪精度：横向偏差（通常要求小于0.2米）、纵向速度偏差（小于0.5m/s）、航向角偏差（小于2度）。
2. 稳定性：在高速（120km/h）或低附着路面（冰雪）条件下，车辆是否出现振荡或发散。
3. 执行器响应：转向执行器的延迟（通常小于50ms）、制动系统的压力建立时间（小于200ms）。
4. 乘坐舒适性：车身横向加速度变化率是否超过人体舒适阈值（2m/s³）。

案例拆解：冰雪路面紧急避障的控制失效

某测试车辆在冰雪覆盖的测试场上进行紧急避障（麋鹿测试）时，控制模块输出的前轮转角指令在车辆上产生了严重的转向不足，车辆冲出预定轨迹。分析发现：控制模块内部的车辆模型假设附着系数为0.8，而实际冰雪路面附着系数仅为0.2。MPC预测模型认为车辆能够产生足够的侧向力，但实际轮胎已进入非线性饱和区。解决方案是：在控制模块中增加路面附着系数在线估计器，通过比较实际横摆角速度与模型预测值的残差，实时调整MPC中的轮胎刚度参数。仿真测试中，构建了附着系数从0.8到0.2渐变的路面场景，验证了改进后的控制模块在附着系数突变时仍能保持车辆稳定，横向偏差控制在0.35米以内。

常见误区或总结复盘

• 误区一：只测试控制模块在理想路面（高附着、平坦）上的性能，忽略低附着、坡道、颠簸路面的极端工况。
• 误区二：将控制模块与车辆动力学完全解耦。实际上，控制参数（如PID增益）必须针对不同车型进行标定，仿真测试中应使用参数化车辆模型来覆盖不同车型的响应特性。
• 复盘要点：控制测试场景应包含“执行器部分失效”场景，如制动单侧失效、转向助力减弱等，验证控制模块的容错能力。

2.5 场景在模块协同中的核心作用

核心原理

场景在自动驾驶系统中的作用可以概括为三个层次：输入约束层、逻辑触发层和验证基准层。在输入约束层，场景中的道路几何、交通参与者状态、天气条件直接决定了感知模块的输入数据分布和决策/规划模块的可行域。在逻辑触发层，场景中的特定事件（如前车急刹、行人闯入、施工改道）触发决策模块的状态迁移和规划模块的轨迹重规划。在验证基准层，场景库中的测试用例是评估系统整体性能的“考卷”，必须覆盖从常见工况到边缘用例的完整谱系。

从数据流角度看，场景数据并非一次性加载，而是持续动态更新的。高精地图提供静态场景（车道线、交通标志），实时感知提供动态场景（障碍物、临时施工），V2X通信提供远距离场景（前方拥堵、信号灯相位）。这三级场景数据在时间尺度和空间范围上互补，共同构成自动驾驶系统的“世界模型”。

判断方法或操作流程

在构建场景库时，需要遵循以下流程来确保场景对模块协同的有效覆盖：

1. 场景要素分解：将场景拆解为静态要素（道路拓扑、交通设施）、动态要素（参与者轨迹、状态）、环境要素（天气、光照）、信息要素（交通规则、临时事件）。
2. 模块相关性分析：针对每个场景要素，标注其影响哪些模块（如“路面附着系数”影响控制模块，“行人意图模糊”影响决策模块）。
3. 协同场景构建：设计需要多个模块协同才能完成的场景，如“雨天夜间行人横穿高速”，同时考验感知（低光照+雨滴）、决策（紧急制动vs变道）、规划（避障轨迹）、控制（低附着制动）。
4. 覆盖度评估：使用场景覆盖度矩阵，检查每个模块的边界条件是否被至少一个场景覆盖。

案例拆解：场景驱动的模块协同调优

某自动驾驶公司在其测试车队中发现，车辆在通过“隧道出口+强逆光+前车急刹”的复合场景时，系统整体反应时间比预期慢了300ms。通过逐模块分析发现：感知模块在逆光条件下对前车刹车灯的检测置信度下降，导致目标跟踪延迟；决策模块因感知置信度低而推迟了紧急制动决策；规划模块在收到制动指令后，因轨迹重规划需要额外时间；控制模块最终执行时，车辆与前车距离已不足安全阈值。针对该问题，团队在场景库中新增了“逆光隧道出口”场景，并设定了跨模块性能指标：从感知检测到前车刹车灯亮起，到控制模块输出制动压力，总延迟必须小于500ms。通过优化感知的曝光控制策略、决策的置信度阈值、规划的快速重规划通道，最终将系统总延迟降低至420ms。该案例说明，场景不仅是测试输入，更是驱动跨模块协同优化的“标尺”。

常见误区或总结复盘

• 误区一：将场景库视为静态资产，一次构建永久使用。实际上，场景库需要根据测试反馈持续迭代，新增真实路采中发现的边缘案例。
• 误区二：只关注单模块性能指标，忽略跨模块的端到端延迟和误差累积。例如，感知的微小定位误差经过决策、规划放大后，可能导致控制模块的跟踪偏差超限。
• 复盘要点：场景建模的最终目标是验证“系统级”行为，而非“模块级”功能。每个场景都应定义明确的系统级通过标准（如“车辆安全停车且乘员舒适度评分大于80分”），而非仅看模块输出是否正常。