第4章 真实项目案例：决策与行为预测项目
在自动驾驶系统中，决策与行为预测模块负责实时预测周围交通参与者（车辆、行人等）的意图与轨迹，并基于预测结果做出安全、高效的驾驶决策。本案例以城市复杂交叉口场景为背景，完整呈现一个实习级项目的业务场景、算法设计、效果评估与面试话术。下面用 STAR 结构快速概括项目主线：
项目模板
| 项目名称 | 基于多模态行为预测的交叉口决策规划 |
| 业务背景 | 城市L4级自动驾驶，在无保护左转及人车混行交叉口，需提前预测行人横穿或折返意图，做出安全刹车或绕行决策。 |
| 规模指标 | 覆盖5个典型交叉口，累计测试里程2000km；行人轨迹预测频率10Hz；系统决策延迟<100ms。 |
| 技术栈 | PyTorch（模型训练），ROS（节点通信），C++/Python（决策规划），Trajectron++（行为预测基线），POMDP-solver（部分可观测决策）。 |
| 核心难点 | ①行人意图多模态（直行/折返/驻足）导致预测高不确定性；②预测与决策的时序耦合，需要实时联合推理；③遮挡场景下历史信息缺失。 |
面试高频追问 & 可迁移回答话术
| 面试追问 | 可迁移回答话术（建议结构：问题→方法→结果→思考） |
| 如何处理预测的多模态不确定性？ | “我们采用混合密度网络（MDN）输出多个轨迹及概率，决策层基于POMDP belief状态融合各模态，选择期望效用最大的动作。最终在测试集上预测MSE降低12%。” |
| 如何评估行为预测模型的效果？ | “离线用ADE/FDE（平均/最终位移误差），在线用决策成功率（避让无效冲突次数）。离线ADE 0.8m，在线无一次因预测错误导致风险。” |
| 遇到遮挡导致历史轨迹不完整怎么办？ | “引入图注意力网络（GAT），利用周围车辆视角隐式补全遮挡区域，同时用蒙特卡洛Dropout估计不确定性，决策时对高不确定性区域降低速度。” |
| 这个方案如何迁移到其他场景？ | “框架通用性强：行为预测模块可替换为交互感知模型（如Social-LSTM），决策层保留POMDP即可适配高速、环路等不同场景，代码复用度>70%。” |
💡 面试加分提醒：
· 描述项目时主动带出关键指标（如ADE/FDE、延迟、成功率）体现工程量化思维。
· 提到失败案例并说明改进方案（例如初始模型在小转角场景误判，后加入角度损失函数修正）。
· 强调模块解耦性，以展示架构能力，面试官常追问如何将多模态预测与决策联合优化。
· 描述项目时主动带出关键指标（如ADE/FDE、延迟、成功率）体现工程量化思维。
· 提到失败案例并说明改进方案（例如初始模型在小转角场景误判，后加入角度损失函数修正）。
· 强调模块解耦性，以展示架构能力，面试官常追问如何将多模态预测与决策联合优化。
🎯 可迁移回答话术（STAR表达实战）：
“在城市交叉口场景下（S），我需要预测行人意图并规划安全避让动作（T）。我设计了多模态轨迹预测+POMDP决策规划的架构（A），最终使预测准确率提升15%，避让成功率100%（R）。过程中我特别注意处理不确定性，用MDN输出多个假设，并在决策层用代价函数加权融合。”
“在城市交叉口场景下（S），我需要预测行人意图并规划安全避让动作（T）。我设计了多模态轨迹预测+POMDP决策规划的架构（A），最终使预测准确率提升15%，避让成功率100%（R）。过程中我特别注意处理不确定性，用MDN输出多个假设，并在决策层用代价函数加权融合。”