📚 课程目录第2章自动驾驶基础

2. 自动驾驶基础

自动驾驶系统并不是一个“端到端黑箱”就能完全解释的工程对象。为了便于研发、调试、验证与责任划分，业界通常把它拆成感知、预测、规划、控制四个核心模块，并配合定位、地图、仿真、数据闭环等基础设施。理解这条链路，是理解奖励设计为何存在、在哪里生效、如何影响最终驾驶行为的前提。

一、四模块链路：从“看到世界”到“改变世界”

可以把自动驾驶车辆想象成一位正在开车的司机：感知是眼睛和耳朵，预测是对其他交通参与者意图的判断，规划是大脑决定“我该怎么走”，控制是手脚执行转向、油门和刹车。四者串联成一条从环境输入到车辆动作的闭环链路。

感知（Perception）：通过摄像头、激光雷达、毫米波雷达、超声波等传感器，完成目标检测、语义分割、车道线识别、障碍物跟踪、自车定位与环境建图。输出的是“当前世界是什么样”。
预测（Prediction）：基于感知结果和历史轨迹，推断其他车辆、行人、骑行者未来数秒的可能运动轨迹与意图，输出多模态概率分布，回答“他们接下来可能怎么动”。
规划（Planning）：结合预测结果、地图、交通规则和自车状态，生成安全、舒适、合规且高效的行驶轨迹。通常分为全局路径规划、行为决策和局部轨迹规划，回答“我该怎么走”。
控制（Control）：把规划轨迹转化为油门、刹车、转向等执行器指令，并通过反馈控制跟踪目标轨迹，回答“如何精确地走”。

核心记忆：感知回答“是什么”，预测回答“会怎样”，规划回答“怎么走”，控制回答“走得准不准”。奖励设计主要作用于规划层，尤其是行为决策与轨迹选择环节。

二、奖励设计在决策规划中的位置

在传统规划中，行为决策常依赖规则状态机或有限状态机，例如“跟车、换道、超车、避让、停车”等状态切换。规则方法可解释性强，但面对复杂交互、长尾场景和多样化驾驶风格时，容易出现规则冲突、参数难调、行为僵硬等问题。奖励设计正是为了解决“在多个可行方案中，什么才算好”的问题。

在基于优化或学习的规划框架中，规划器通常会在候选轨迹集合中评分，选择综合代价最低或累计回报最高的轨迹。奖励函数就是评分体系的核心：它把安全、效率、舒适、合规、交互礼让等目标量化为可计算的数值。可以说，奖励设计位于规划模块的行为决策与轨迹选择环节，是连接“人类驾驶价值观”和“机器可优化目标”的桥梁。

模块	主要输入	主要输出	与奖励设计的关系
感知	传感器原始数据	障碍物、车道线、自车定位	为奖励计算提供状态基础
预测	感知目标与历史轨迹	未来轨迹概率分布	影响风险项与交互项奖励
规划	预测结果、地图、规则	目标轨迹与行为决策	奖励函数直接参与轨迹评分与选择
控制	目标轨迹、车辆状态	油门、刹车、转向指令	奖励中的舒适性项需与控制响应匹配

三、典型场景：一个换道决策中的奖励权衡

假设自车在城市快速路行驶，前方车辆较慢，右侧车道后方有一辆快速接近的车辆。规划器生成多个候选行为：继续跟车、减速等待、加速换道、匀速换道。此时奖励设计需要同时考虑：

安全项：与前后车保持安全时距，避免碰撞风险，换道时不得迫使后车急刹。
效率项：减少通行时间，避免无谓减速，鼓励在安全前提下完成超车。
舒适项：限制纵向加速度、横向加速度和 jerk，避免急打方向或急刹。
合规项：遵守车道线、限速、交通标志和让行规则。
交互项：对后车快速接近给予风险惩罚，对礼让行为给予适度正向奖励。

如果安全权重过低，策略可能选择激进换道；如果效率权重过低，车辆可能长期保守跟车；如果舒适权重过高，车辆可能反应迟钝。奖励设计的本质，是在这些目标之间寻找可调、可验证、可泛化的平衡。

实践提示：奖励函数不是越复杂越好。每一项奖励都应能对应到明确的驾驶目标、可观测的状态变量和可验证的测试场景，否则容易引入难以排查的副作用。

四、常见误区与复盘

初学者常把奖励设计等同于“写一个打分公式”，但工程中更关键的是闭环验证。以下是几个高频误区：

只关注最终回报，忽略中间过程：稀疏奖励会导致学习困难，应结合势能函数、中间奖励或课程学习。
奖励项之间量纲混乱：距离、时间、加速度、碰撞惩罚直接相加，权重难以解释，应先归一化再加权。
用奖励掩盖感知或预测缺陷：如果感知不稳定，规划层再好的奖励也无法保证安全，需分层定位问题。
忽视控制执行约束：规划出的轨迹若超出车辆动力学能力，奖励再高也无法执行，应把控制可行性纳入约束或惩罚。
只在仿真中调参：仿真与实车存在域差异，奖励权重需在封闭场地和实车数据上做鲁棒性复核。

# 一个简化的轨迹评分示例（伪代码）
score = w_safe   * safety_cost
      + w_eff    * efficiency_cost
      + w_comfort* comfort_cost
      + w_rule   * rule_cost
      + w_inter  * interaction_cost

# 其中：
# safety_cost      = 碰撞风险 + 安全时距不足惩罚
# efficiency_cost  = 通行时间 + 速度偏差
# comfort_cost     = 加速度 + jerk 惩罚
# rule_cost        = 限速、车道线、让行违规
# interaction_cost = 对他人造成的风险与不适

复盘时，建议把奖励设计与场景测试集绑定：每个奖励项都应有对应的通过/失败判据，例如“换道场景中后车减速度不超过 2 m/s²”“跟车时距不低于 1.5 秒”“全程 jerk 不超过 5 m/s³”。只有奖励、约束、测试三者一致，规划行为才可控、可解释、可迭代。

注意：奖励设计不是规划模块的“万能补丁”。感知误差、预测偏差、地图错误和控制延迟都会影响最终行为。工程上应先保证各模块基线可靠，再用奖励设计优化决策偏好与交互风格。

总结来看，感知、预测、规划、控制构成自动驾驶的基本链路，而奖励设计主要嵌入规划层的行为决策与轨迹评分中。它把安全、效率、舒适、合规和交互等目标转化为可优化信号，直接影响车辆“如何选择一条轨迹”。理解这一位置与作用，是后续学习奖励函数建模、策略优化和闭环评测的基础。