2、自动驾驶基础架构：感知、决策、控制模块功能解析，以及各模块对数据的需求
自动驾驶系统本质上是一个“数据驱动”的实时闭环控制系统。要理解数据闭环架构，首先必须拆解车辆大脑的核心分工。业界普遍将自动驾驶软件架构划分为三大模块：感知（Perception）、决策（Decision & Planning）、控制（Control & Execution）。这三个模块各自承担不同的职责，对数据的类型、频率、延迟和精度要求截然不同。理解这些差异，是设计数据采集策略、标注规范以及仿真验证方案的前提。本章将逐一解析三大模块的功能边界，并深入剖析它们对数据的具体需求，为后续章节中数据闭环的构建打下基础。
上图清晰地展示了自动驾驶系统的数据流闭环。传感器原始数据首先进入感知模块，经过处理后生成“障碍物列表”和“可行驶区域”等语义信息；决策规划模块基于这些感知结果以及高精地图、路由信息，计算出目标行驶轨迹；控制模块则负责将轨迹转化为具体的转向、油门和制动指令，驱动车辆执行。同时，车辆的实际状态（如IMU数据、轮速、执行器反馈）会形成闭环反馈，用于修正控制误差。值得注意的是，在数据闭环架构中，这三个模块的输入和输出数据都会被完整记录，用于离线分析、场景挖掘和仿真测试。
2.1 感知模块：环境理解的“眼睛”与“耳朵”
核心原理：从原始信号到语义信息
感知模块的核心任务是将物理世界的传感器原始信号（像素、点云、电磁波）转换为计算机可理解的语义信息。这包括：目标检测（识别车辆、行人、骑行者）、语义分割（区分可行驶区域、路沿、车道线）、目标跟踪（估计障碍物的速度与运动方向）以及多传感器融合（将相机、激光雷达、毫米波雷达的数据在时间与空间上对齐，形成统一的障碍物表征）。感知模块的输出质量直接决定了决策模块的“视野”是否准确。
判断方法：感知性能的量化评估
评估感知模块的性能，不能仅凭“看得见”的主观判断，必须依赖量化指标。常用的指标包括：
- 检测精度：mAP（平均精度均值）、Recall（召回率）、Precision（精确率）。重点关注远距离小目标（如行人）和遮挡场景下的表现。
- 定位精度：障碍物3D框的中心点误差（通常要求<30cm）、航向角误差（<3°）。
- 延迟：从传感器曝光到感知结果输出的端到端延迟，通常要求<100ms，否则高速场景下无法及时响应。
- 鲁棒性：在雨雾、逆光、夜间等低照度条件下的性能衰减程度。
案例拆解：多传感器融合的“时间同步”难题
在某L4级Robotaxi项目中，工程师发现车辆在通过隧道时频繁出现“幽灵刹车”现象。排查后发现，问题根源并非算法缺陷，而是传感器时间同步误差。相机帧率为30Hz，激光雷达为10Hz，当两者时间戳未对齐时，融合算法会将一个“旧”的雷达点云与“新”的相机图像匹配，导致障碍物位置出现约0.5米的偏差。在隧道内，由于GPS信号丢失，车辆依赖IMU进行航位推算，这种偏差被进一步放大，最终触发了紧急制动。解决方案是引入硬件级时间同步（PTP协议），将相机曝光时刻与激光雷达扫描时刻对齐到微秒级，并在软件层面加入“时间补偿”机制。这一案例说明，感知模块的数据需求不仅仅是“多”，更关键的是“同步”与“精确”。
2.2 决策规划模块：驾驶策略的“大脑”
核心原理：从环境理解到行为决策
决策规划模块接收感知模块输出的障碍物列表、可行驶区域以及高精地图信息，结合车辆自身的定位（来自GNSS/IMU/里程计），回答“接下来该怎么走”的问题。它通常分为三个层级：全局路径规划（从A点到B点的道路级导航）、行为决策（判断是跟车、超车、停车还是绕行）以及运动规划（生成一条平滑、安全、符合车辆动力学约束的轨迹，包含路径点坐标、速度、加速度和曲率）。
操作流程：轨迹生成的约束条件
运动规划本质上是一个带约束的优化问题。其输入数据包括：
- 静态环境：高精地图中的车道线、路沿、交通标志、红绿灯位置。
- 动态环境：感知模块输出的障碍物预测轨迹（未来3-5秒的运动假设）。
- 车辆状态：当前车速、横摆角速度、方向盘转角。
- 决策指令：例如“在3秒内变道至左侧车道”。
规划算法（如Frenet坐标系下的采样法、或基于优化的MPC）会生成多条候选轨迹，并通过代价函数（Cost Function）评估每条轨迹的安全性、舒适性和效率，最终选择最优轨迹下发至控制模块。
案例拆解：无保护左转的场景决策
在无红绿灯的路口进行左转是自动驾驶的难点。决策模块需要综合对向直行车辆的速度与距离、人行横道上是否有行人、以及自身车辆的加速能力。此时，感知模块必须提供对向车辆的精确速度估计（误差<0.5m/s）和加速度预测。如果感知数据延迟过高，决策模块会认为对向车辆“静止”或“加速缓慢”，从而做出激进的左转决策，导致危险。在数据闭环中，这类“边缘场景”数据（Cut-in、无保护左转）会被重点标注，用于训练决策模型，使其学会更保守的“时间间隙”选择策略。
2.3 控制模块：精准执行的“手脚”
核心原理：从轨迹到执行指令
控制模块是自动驾驶系统的“最后一公里”。它接收决策模块输出的目标轨迹（通常包含一系列路径点及对应的目标速度），通过横向控制（转向）和纵向控制（油门/制动）算法，计算具体的执行指令，使车辆实际行驶轨迹尽可能贴合目标轨迹。常用的算法包括PID控制、纯跟踪（Pure Pursuit）和模型预测控制（MPC）。
判断方法：控制精度的核心指标
控制模块的性能直接影响乘坐舒适性和安全性。关键指标包括：
- 横向跟踪误差：车辆中心线与目标轨迹的横向偏差，通常要求<20cm。
- 纵向速度误差：实际车速与目标车速的偏差，通常要求<1km/h。
- 控制频率：控制指令的下发频率，通常要求>50Hz，以保证控制的连续性。
- 执行延迟：从控制指令发出到执行器（如转向电机）响应的时间，通常要求<50ms。
案例拆解：高速NOA下的方向盘抖动问题
某车型在高速NOA（领航辅助驾驶）功能测试中，车辆在直线行驶时出现方向盘高频小幅抖动。排查过程如下：
- 数据采集：同步记录控制模块输出的方向盘转角指令、实际转角反馈、横向偏差、以及车辆横摆角速度。
- 数据分析：发现横向偏差在±5cm内波动，但方向盘转角指令存在约2Hz的振荡。进一步分析发现，该振荡频率与EPS（电动助力转向）系统的固有谐振频率接近。
- 根因定位：控制模块的PID参数中的微分项（D项）对噪声过于敏感，将IMU信号中的高频噪声放大，导致转向指令抖动。
- 解决方案：在控制链路中加入低通滤波器，并重新整定PID参数，同时将控制频率从50Hz提升至100Hz，以降低单次指令的步长。
这一案例表明，控制模块的数据需求不仅包括“目标轨迹”，还包括高精度的车辆状态反馈（IMU、轮速、执行器位置），且对信号的噪声和延迟极为敏感。
2.4 三大模块对数据需求的对比与闭环意义
为了更直观地理解三大模块的差异，下表总结了它们对数据的需求特征：
| 维度 | 感知模块 | 决策规划模块 | 控制模块 |
|---|---|---|---|
| 核心输入 | 相机图像、激光雷达点云、毫米波雷达点 | 障碍物列表、高精地图、定位信息、全局路径 | 目标轨迹（路径点+速度）、车辆状态反馈 |
| 数据频率 | 10-30Hz（传感器原始帧率） | 10-20Hz（规划周期） | 50-100Hz（控制周期） |
| 延迟要求 | <100ms（端到端感知延迟） | <50ms（从感知输入到轨迹输出） | <20ms（从轨迹输入到执行指令） |
| 数据精度 | 像素级/点级精度，3D框误差<30cm | 轨迹平滑度、曲率连续性、安全距离裕量 | 执行器指令精度（转向角0.1°） |
| 数据标注需求 | 2D/3D框、语义分割、目标跟踪ID | 意图标注、场景标签（路口/匝道）、规则标注 | 动力学参数标定、执行器响应特性 |
| 对数据闭环的依赖 | 依赖大量Corner Case数据提升泛化能力 | 依赖仿真环境生成极端交互场景 | 依赖硬件在环（HIL）测试验证鲁棒性 |
总结复盘：数据闭环视角下的模块协同
从数据闭环的角度看，三大模块并非孤立运行。感知模块的错误（如漏检）会直接导致决策模块做出错误规划；控制模块的执行偏差（如转向不足）也会被感知模块捕获，形成新的“场景数据”。因此，一个高效的数据闭环系统必须做到：
- 全量数据记录：不仅记录传感器原始数据，还要记录感知输出、决策轨迹、控制指令和车辆状态，以便事后进行“全链路”问题回溯。
- 场景挖掘与标注：从海量行驶数据中自动挖掘“感知低置信度”、“规划急刹车”、“控制超调”等异常片段，进行针对性标注。
- 仿真验证前置：将真实路采数据注入仿真环境，构建“虚拟测试场”，在软件层面验证模块升级后的效果，减少实车测试成本。