1. 课程导入

城市NOA（Navigate on Autopilot）正在从高速场景走向城区道路，而复杂路口是决定用户体验与安全上限的关键战场。高速场景中车道线清晰、交通参与者行为相对规范，决策模块更多处理跟车、变道与匝道汇入；一旦进入城市路口，信号灯、无保护左转、行人与两轮车混行、遮挡与视线盲区、施工改道等因素叠加，决策系统必须在秒级甚至亚秒级内完成感知融合、意图推断、轨迹生成与风险兜底。本课程围绕“复杂路口决策工程”展开，目标不是讲清某一个算法，而是建立一套从问题定义、系统架构、算法选型到工程落地的完整方法论。

学习目标：从“能开”到“敢开、好开”

完成本课程后，学习者应具备以下能力：

• 问题建模能力：能把一个真实路口场景拆解为状态空间、动作空间、约束条件与代价函数，明确哪些是感知问题、哪些是预测问题、哪些是决策问题。
• 架构设计能力：理解规则决策、采样优化、学习型决策与混合架构的适用边界，能根据算力、数据与安全要求选择合适方案。
• 工程落地能力：掌握路口决策的模块接口、时序对齐、仿真回放、影子模式与灰度发布方法，能定位“离线好、上车差”的根因。
• 安全与合规意识：理解功能安全、预期功能安全（SOTIF）与责任划分对决策模块的约束，知道如何设计最小风险策略。

核心概念：状态、意图、博弈与兜底

复杂路口决策涉及四个核心概念。第一是状态，包括自车运动状态、他车位置速度、信号灯相位、车道拓扑与可行驶区域。第二是意图，他车是否让行、行人是否抢行、两轮车是否变道，这些无法直接观测，只能通过轨迹历史与交互行为推断。第三是博弈，路口本质是多智能体交互，自车决策会改变他车行为，形成动态耦合。第四是兜底，当预测置信度低或规划不可行时，系统必须退回到安全策略，如减速、停车或靠边。

为了把上述概念落到工程上，可以用一个简化的决策输入输出接口来描述：

输入：
  ego_state: {x, y, yaw, v, a}
  objects:   [{id, type, x, y, v, heading, confidence}]
  map:       {lanes, stop_lines, traffic_lights, crosswalks}
  route:     {target_lane, turn_direction}
输出：
  trajectory: [{t, x, y, v, a}]
  decision:   {yield, go, stop, nudge}
  risk_level: {low, medium, high}

这个接口看似简单，但每个字段背后都对应大量工程细节：时间戳对齐、坐标系转换、置信度阈值、轨迹平滑与动力学可行性检查。

整体框架：感知—预测—决策—控制的分层与闭环

城市NOA复杂路口决策通常采用分层架构。感知层输出障碍物、车道线与信号灯状态；预测层给出他车与行人的多模态未来轨迹；决策层在候选动作中选择行为意图；规划层生成满足动力学约束的轨迹；控制层执行油门、刹车与转向。各层之间通过统一的时间基准与坐标系连接，形成闭环。

从图中可以看到，决策层并不是孤立模块，它向上依赖预测层的意图概率，向下约束规划层的轨迹可行性，同时与安全兜底模块形成并行监控关系。工程上常见的错误是把决策层当成“规则开关”，忽略预测不确定性与规划可行性，导致上车后频繁急刹或卡死。

案例场景：无保护左转的决策链路

以无保护左转为例。自车在路口等待左转，对向有直行车流，左侧有行人过街。感知层输出对向车辆位置与速度、行人位置与运动方向；预测层给出对向车辆“继续直行”概率0.7、“减速让行”概率0.3，行人“继续通过”概率0.8。决策层需要判断：当前间隙是否足够？若选择通行，规划层生成的左转轨迹是否与对向车辆轨迹冲突？若选择等待，后车是否会追尾？

一个可落地的决策流程如下：

1. 计算可通行间隙：根据对向车辆到达冲突点的时间（TTC）与自车左转所需时间比较。
2. 评估风险等级：若TTC小于安全阈值且预测置信度低，进入等待或减速。
3. 生成候选动作：通行、等待、缓慢蠕行、停车。
4. 代价评估：综合安全性、通行效率、舒适性与后车影响。
5. 执行与监控：选择最优动作后持续监控，若风险上升则触发兜底。

工程落地挑战与常见误区

复杂路口决策的落地挑战主要集中在四个方面：数据长尾、实时性、可解释性与安全验证。数据长尾意味着极端场景样本稀少，但一旦出现就可能致命；实时性要求决策在100ms级完成，不能依赖过重的在线优化；可解释性影响问题定位与责任认定；安全验证则需要仿真、封闭场地与实车测试结合。

挑战维度	典型问题	应对策略
数据长尾	无保护左转、鬼探头、施工改道样本少	场景库挖掘、对抗生成、影子模式回灌
实时性	在线优化耗时波动，导致决策抖动	分层决策、候选动作剪枝、固定时间预算
可解释性	学习型策略难以定位失败原因	规则兜底、决策日志、可视化回放
安全验证	仿真通过但实车表现差	Sim-to-Real校准、灰度发布、最小风险策略

本课程后续将围绕感知融合、意图预测、博弈决策、轨迹规划、仿真验证与安全兜底逐层展开。学习时建议始终带着三个问题：这个模块的输入输出是什么？它的不确定性如何传递？如果它失效，系统如何保证安全？只有把这三个问题贯穿始终，才能真正掌握城市NOA复杂路口决策的工程方法。