2. 自动驾驶基础

在进入世界模型评测与安全验证之前，必须先建立对自动驾驶系统本身的结构性认知。自动驾驶并不是一个“端到端黑箱”，而是由分级标准、系统架构、感知—决策—规划—控制模块、传感器组合以及数据闭环共同构成的工程体系。理解这些基础，才能判断世界模型在哪些环节发挥作用，以及安全验证的边界在哪里。

一、自动驾驶分级：从L0到L5的责任转移

SAE J3016 将驾驶自动化分为 L0 至 L5 六个等级，核心区分维度是动态驾驶任务（DDT）由谁执行、谁负责监控、谁承担失效后的兜底责任。L0—L2 属于辅助驾驶，驾驶员始终是责任主体；L3 是有条件自动驾驶，系统在特定设计运行域（ODD）内执行 DDT，但驾驶员需在请求时接管；L4 在 ODD 内系统可完成全部 DDT 并具备兜底能力；L5 则无 ODD 限制。

二、系统架构：从传感器到执行器的分层

典型自动驾驶系统采用分层架构：传感器层负责环境与车辆状态采集；感知层完成目标检测、跟踪、语义分割、定位与建图；决策层进行行为预测与驾驶决策；规划层生成轨迹；控制层输出油门、刹车、转向指令；执行层由线控底盘完成动作。各层之间通过时间同步、坐标系变换和消息中间件（如 ROS 2、DDS、SOME/IP）连接。

三、感知—决策—规划—控制模块的职责与耦合

感知模块输出的是带不确定性的环境表示，包括目标框、速度、朝向、可行驶区域和占据栅格。它的关键指标是召回率、误检率、时延和跨传感器一致性。决策模块在感知结果之上进行行为预测与意图推断，常见方法包括规则状态机、POMDP、博弈论和基于学习的策略网络。规划模块将决策转化为满足车辆运动学约束的轨迹，需同时考虑舒适性、安全性和通行效率。控制模块则通过 MPC 或 PID 跟踪轨迹，输出底盘执行指令。

四个模块并非单向串联，而是存在强耦合：感知的时延会放大规划的不确定性，控制的执行误差会反馈到定位与感知。世界模型的价值之一，就是在仿真中复现这种耦合，并对极端场景进行可控注入。

四、常见传感器与数据闭环

主流传感器组合包括：摄像头（语义丰富、受光照影响）、激光雷达（高精度三维点云、成本较高）、毫米波雷达（测速准、穿透性强、点云稀疏）、GNSS/IMU（全局定位与姿态）、轮速计（低速里程）。多传感器融合的核心是时间同步与空间标定。

# 典型数据闭环触发条件示例
trigger_events:
  - 接管事件（driver_override）
  - AEB/FCW 触发
  - 感知置信度低于阈值
  - 规划轨迹与预期偏差过大
  - 影子模式预测不一致
upload_policy:
  - 事件前后各 30s 数据切片
  - 脱敏后上传至数据平台
  - 自动标注 + 人工抽检
  - 进入训练集 / 仿真场景库

数据闭环是自动驾驶持续迭代的引擎：车端采集 → 触发回传 → 标注 → 训练 → 仿真回归 → OTA 部署。世界模型在其中承担场景生成与闭环仿真的角色，能够以较低成本扩展长尾场景，并对新版本进行安全回归。

五、案例与复盘：一次匝道汇入的失效链

某 L2 系统在匝道汇入场景中出现急刹。复盘发现：毫米波雷达将相邻车道大车识别为静止目标，感知融合未及时修正；决策层按保守策略触发减速；规划层生成的安全走廊过短；控制层执行制动。单看每个模块都“合理”，但系统级表现为不舒适且存在追尾风险。该案例说明：安全验证必须覆盖模块间的接口假设与失效传播路径，而世界模型可以复现此类耦合失效并进行批量回归。

综上，自动驾驶分级定义了责任边界，分层架构定义了工程边界，感知—决策—规划—控制定义了功能边界，传感器与数据闭环定义了迭代边界。理解这四个边界，是后续开展世界模型评测与安全验证的前提。