2. 自动驾驶基础
自动驾驶系统并不是一个“端到端黑箱”，而是由感知、预测、规划、控制四大核心模块串联而成的实时闭环系统。理解这四个模块的职责边界、输入输出与协作方式，是理解世界模型（World Model）在自动驾驶中价值的前提。世界模型本质上要在这条链路上补足“对未来的想象与推演能力”，因此必须先看清这条链路本身。
一、核心原理：四大模块的职责与信号流
感知模块负责回答“现在世界是什么样”。它把摄像头、激光雷达、毫米波雷达、IMU、GNSS 等原始信号，转化为结构化信息：车道线、可行驶区域、车辆、行人、交通标志、红绿灯状态、自车定位与姿态。输出通常是带类别、位置、速度、朝向、置信度的目标列表与语义地图。
预测模块负责回答“接下来别人会怎么动”。它基于感知结果与历史轨迹，推断其他交通参与者未来数秒的轨迹分布，输出多模态轨迹假设及其概率。预测的不确定性极高，因为人类驾驶意图不可直接观测。
规划模块负责回答“我该怎么走”。它在预测结果、地图、交规、舒适性与安全约束下，生成一条或多条候选轨迹，并选出最优解。规划通常分为行为层（变道、跟车、让行）与运动层（具体轨迹点、速度曲线）。
控制模块负责回答“如何精确执行”。它把规划轨迹转化为油门、刹车、转向角等底层控制指令，通过 PID、MPC 等控制器跟踪轨迹，并处理执行器延迟与车辆动力学约束。
二、传感器配置：互补而非堆叠
传感器配置的核心原则是“互补冗余”，而不是简单堆数量。不同传感器在测距、分辨率、成本、恶劣天气鲁棒性上各有优劣：
| 传感器 | 主要优势 | 主要局限 | 典型用途 |
|---|---|---|---|
| 摄像头 | 语义丰富、成本低 | 测距弱、受光照影响 | 车道线、标志、红绿灯识别 |
| 激光雷达 | 高精度三维测距 | 成本高、雨雾衰减 | 障碍物检测、可行驶区域 |
| 毫米波雷达 | 测速准、全天候 | 分辨率低、点云稀疏 | 自适应巡航、盲区监测 |
| IMU/GNSS | 提供自车姿态与定位 | 隧道/城市峡谷漂移 | 定位、里程计融合 |
典型配置如“1 前视 + 4 环视摄像头 + 1 激光雷达 + 5 毫米波雷达 + 高精 IMU/GNSS”，通过时间同步与空间标定融合为统一环境表示。标定误差会直接放大到感知与规划，是工程中最易被低估的环节。
三、数据闭环：从路测到模型迭代
数据闭环是自动驾驶能力持续提升的引擎，其流程可概括为：
- 采集：路测车队与影子模式收集原始数据与接管事件。
- 挖掘：用触发规则（急刹、接管、低置信度）筛选高价值片段。
- 标注：人工与自动标注结合，生成真值。
- 训练：训练感知、预测、规划模型。
- 评测：离线指标 + 仿真回归 + 实车验证。
- 发布：OTA 上车，回到第 1 步。
# 数据闭环触发规则示例（伪配置）
trigger:
hard_brake: { accel_threshold: -3.0 m/s^2, window: 2s }
takeover: { source: driver, min_duration: 1s }
low_conf: { object_conf: < 0.4, count: >= 3 }
near_miss: { ttc: < 1.5s }
sample_rate: 10Hz
upload: only_triggered_clips四、仿真测试：低成本验证与回归
仿真测试在虚拟环境中重放或生成场景，验证系统行为。它分为三层：
- 场景仿真：基于规则或数据回放，测试特定场景（切入、鬼探头、施工区）。
- 传感器仿真：模拟摄像头图像、激光点云，验证感知算法。
- 闭环仿真：规划控制与虚拟环境交互，评估整体行为。
仿真指标通常包括：碰撞率、接管率、舒适度（加加速度）、通行效率、规控一致性。仿真不能完全替代实车，但能大幅降低回归成本，并支持危险场景的安全测试。
五、常见误区与复盘
误区一：把模块割裂看待。感知误差会传导到预测与规划，规划保守又会掩盖感知缺陷。必须端到端评估。
误区二：传感器越多越好。未标定、未同步的多传感器融合，反而引入冲突。冗余的前提是可靠融合。
误区三：仿真通过即等于实车安全。仿真场景分布与真实长尾存在差距，需持续用实车数据校准仿真。
误区四：数据闭环只做采集。没有挖掘、标注、评测与发布，数据只是硬盘占用。
理解这四大模块、传感器配置、数据闭环与仿真测试，就掌握了自动驾驶系统的“骨架”。世界模型并非替代它们，而是嵌入预测与规划之间，为系统提供对未来的结构化推演能力，从而提升长尾场景下的决策质量。