編者語：后臺回復(fù)“入群”，加入「智駕最前沿」微信交流群

對于很多新手司機(jī)來說，在無引導(dǎo)線左轉(zhuǎn)的場景中，開車會非常謹(jǐn)慎，但依舊會很好地處理好這一操作。但對于自動駕駛汽車來說，其行駛需要有較為明顯的參考線，在沒有白色虛線、沒有箭頭感知“我的車道在哪兒”的交通場景下，想要很好地處理好無引導(dǎo)線左轉(zhuǎn)是一個(gè)非常大的挑戰(zhàn)。但想要讓自動駕駛汽車滿足所有的出行需求，這一場景必須解決，那在無引導(dǎo)線的左轉(zhuǎn)場景下，自動駕駛是如何進(jìn)行軌跡規(guī)劃的？

無引導(dǎo)線的左轉(zhuǎn)需要哪些技術(shù)？

首先要明確一個(gè)核心問題，在無引導(dǎo)線場景中，軌跡規(guī)劃不再只是“沿著車道中心走”。車道邊界、道路幾何甚至道路使用者的意圖都可能不明確。系統(tǒng)必須在不確定性中做出選擇，即確定哪條路徑是“合法且合理”，在何時(shí)讓出優(yōu)先權(quán)、何時(shí)進(jìn)攻性地切入間隙、如何保證乘客舒適同時(shí)滿足動力學(xué)約束。實(shí)現(xiàn)這些目標(biāo)，需要可靠的環(huán)境感知、準(zhǔn)確的行為預(yù)測、穩(wěn)健的行為決策（行為層規(guī)劃）以及滿足動力學(xué)與安全約束的軌跡生成與控制（軌跡層/運(yùn)動層）等四個(gè)層次協(xié)同。

在感知層，自動駕駛首先要完成的是對環(huán)境要素的高精度檢測與跟蹤。攝像頭負(fù)責(zé)識別交通標(biāo)志、路緣、人行道和車輛外形，雷達(dá)在遠(yuǎn)距和惡劣天氣下提供速度向量，激光雷達(dá)（若裝備）能在三維點(diǎn)云中區(qū)分靜態(tài)障礙與動態(tài)目標(biāo)。但是在“無引導(dǎo)線”場景中，車道邊界不能作為可靠參考，這時(shí)系統(tǒng)會把道路邊緣（路肩、門廊、人行道邊緣）以及其他道路使用者的走向作為替代參考。這一場景中，高精度定位（GNSS+IMU+視覺/激光定位）就非常重要，但在城市峽谷或隧道中高精度定位會出現(xiàn)漂移，因此傳感器融合要提供一個(gè)穩(wěn)定的參考系，使后續(xù)的預(yù)測與軌跡規(guī)劃有一條可信的軌跡基準(zhǔn)線。

預(yù)測層的目標(biāo)是估計(jì)其他道路使用者在未來幾秒內(nèi)可能的軌跡分布。在無引導(dǎo)線交叉口，其他車輛的行為更具多樣性，有人會減速讓行，有人會抓住小間隙穿過去，還有些可能會加速搶行。預(yù)測模型通常要輸出多模態(tài)的未來軌跡分布，每條軌跡帶有概率權(quán)重。這其中常見的技術(shù)包括基于軌跡歷史的物理模型、帶社會力或交互項(xiàng)的學(xué)習(xí)模型，以及結(jié)合地圖和意圖理解的混合模型。必須強(qiáng)調(diào)的是，預(yù)測的不確定性是軌跡規(guī)劃的核心輸入之一，決策層不會僅采用“最可能”軌跡來評估碰撞風(fēng)險(xiǎn)，而是要對多種可能性做魯棒（robust）處理，在概率空間上保證安全邊界。

行為決策層（或稱策略層）主要承擔(dān)“我要怎么做”的問題，即確定是等待、向前探頭、還是旋即轉(zhuǎn)入？在無引導(dǎo)線左轉(zhuǎn)中的決策過程往往比路徑細(xì)節(jié)更重要。決策器需要綜合法律規(guī)則（例如優(yōu)先權(quán)）、當(dāng)?shù)伛{駛文化（例如是否存在搶行現(xiàn)象）、實(shí)時(shí)交通密度、對方車輛速度與加速度趨勢，以及自身車輛的性能限制來判定是否接受某個(gè)時(shí)間間隔（gap）。很多系統(tǒng)采用基于規(guī)則加概率的混合方法，在明確的規(guī)則場景下先用規(guī)則裁決（如“讓行給迎面來車”），在規(guī)則模糊或場景復(fù)雜時(shí)引入基于代價(jià)/收益的優(yōu)化或博弈模型來選擇最優(yōu)策略。更高級的做法會以概率安全邊界為準(zhǔn)——在任意預(yù)測下，選取能在給定置信度下避免碰撞的動作。

在軌跡生成層，系統(tǒng)需要把行為決策轉(zhuǎn)化為具體的時(shí)間參數(shù)化路徑（x(t),y(t),θ(t)），并保證該軌跡滿足車輛動力學(xué)與乘客舒適性約束同時(shí)避開預(yù)測的動態(tài)障礙。常見方法可以分為采樣生成與優(yōu)化求解兩大類。采樣生成方法會在行為層給定的參考區(qū)域內(nèi)生成大量候選軌跡（例如采樣不同曲率、不同速度曲線），對每條候選軌跡進(jìn)行碰撞檢測、動力學(xué)可行性校驗(yàn)和代價(jià)評估，最終選取最優(yōu)解。優(yōu)化方法則把軌跡生成看成帶約束的最優(yōu)化問題，最小化一個(gè)或多個(gè)代價(jià)項(xiàng)（如軌跡偏離、加速度/加jerk懲罰、安全距離違約等），并通過數(shù)值求解器得到連續(xù)的軌跡。優(yōu)化方法通常更平滑、參數(shù)更少，但對初始值和求解時(shí)間更敏感；采樣方法更具全局性，但計(jì)算量大、需要有效的候選篩選策略。

無引導(dǎo)線的左轉(zhuǎn)需要考慮哪些內(nèi)容？

在無引導(dǎo)線的左轉(zhuǎn)中，軌跡的基準(zhǔn)坐標(biāo)系非常重要。很多系統(tǒng)采用Frenet坐標(biāo)系在已有參考路徑上做橫向軌跡優(yōu)化，但當(dāng)參考路徑不存在時(shí)，必須先構(gòu)造一個(gè)“臨時(shí)參考線”。這個(gè)參考線通常基于道路幾何（兩側(cè)道路中間連線或曲線擬合）和期望轉(zhuǎn)彎弧線（例如圓弧或clothoid曲線）生成。生成參考線時(shí)要考慮轉(zhuǎn)彎半徑和車輛的最小轉(zhuǎn)彎圈，同時(shí)預(yù)留給行人、自行車和其他車輛的安全空間。隨后在該參考線的Frenet坐標(biāo)下優(yōu)化速度曲線與橫向偏移，最終映射回全局坐標(biāo)系。

對于汽車來說，安全是首要約束，在軌跡優(yōu)化里常通過硬約束或高懲罰項(xiàng)來體現(xiàn)。硬約束直接禁止軌跡進(jìn)入碰撞集合，而高懲罰項(xiàng)會在目標(biāo)函數(shù)中強(qiáng)烈懲罰與其他物體間距過小的情況。在實(shí)際部署中，更有一種常用策略是先用保守的“安全包”（safety envelope）靜態(tài)過濾掉那些明顯危險(xiǎn)的候選軌跡，然后在剩余空間里做更細(xì)粒度的優(yōu)化。安全包的大小要與預(yù)測不確定性相匹配；當(dāng)預(yù)測很不確定時(shí)，安全包放大，從而使決策更加保守。

時(shí)間尺度的選擇也很關(guān)鍵。車道保持或高速勻速行駛的軌跡可以以較長時(shí)間窗口規(guī)劃（例如510秒），但交叉口左轉(zhuǎn)這種即時(shí)性強(qiáng)、交互頻繁的場景，短期的高頻軌跡更新更重要。典型做法是采用分層時(shí)序，行為層決定在未來幾秒內(nèi)的策略（等待或進(jìn)入），軌跡層在更短的時(shí)間窗口（13秒）生成高分辨率軌跡供控制器跟隨。與此同時(shí)，系統(tǒng)對預(yù)測結(jié)果持續(xù)做在線修正，軌跡可以在執(zhí)行過程中被打斷或重規(guī)劃，以應(yīng)對突發(fā)變動。

在無引導(dǎo)線的左轉(zhuǎn)場景下進(jìn)行實(shí)際決策時(shí)，一個(gè)常見且直觀的量度是“可接受的間隙（acceptable gap）”或“時(shí)間間隙（time gap）”。這個(gè)指標(biāo)衡量當(dāng)前對向或橫向來車與我方車輛之間的時(shí)間間隔是否足夠安全地完成左轉(zhuǎn)。工程上通常會把可接受間隙轉(zhuǎn)換成速度與加速度邊界：如果對向車需t秒才能到交叉點(diǎn)，而我方完成左轉(zhuǎn)需τ秒，則系統(tǒng)判斷可接受當(dāng)t-τ>安全裕度。安全裕度并非常數(shù)，它受路況、能見度、本車加速能力、對方車輛加速行為預(yù)測和法律要求影響。在擁堵且低速的情形下，允許的時(shí)間差會小一些；在高速來車或能見度差時(shí)，系統(tǒng)會顯著提高安全裕度。

人車交互和非語言溝通在無引導(dǎo)線左轉(zhuǎn)時(shí)對人類司機(jī)也尤為重要。自動駕駛汽車缺少人類的眼神、手勢或點(diǎn)頭，因此需要通過其它手段與周圍交通參與者溝通其意圖。最基本的方式是標(biāo)準(zhǔn)化信號，開啟轉(zhuǎn)向燈是最直接的意圖表達(dá)，必要時(shí)車輛可以做輕微的前探（slow forward creep）以顯示進(jìn)入意愿，同時(shí)在控制上保證隨時(shí)能夠緊急停車。某些研究與應(yīng)用中也引入外顯信號燈或可視化屏幕向行人和駕駛員傳達(dá)“我讓行”或“我將轉(zhuǎn)彎”的信息，但這些仍屬于實(shí)驗(yàn)性手段，普及度與法律認(rèn)可度有限。因此，保守且清晰的信號策略與及時(shí)的姿態(tài)表達(dá)（例如穩(wěn)定且可預(yù)期的減速曲線）是目前實(shí)用性最高的“溝通”方式。

談到模型和算法細(xì)節(jié)，不可忽視的是動力學(xué)與輪胎模型的限制。對于乘用車，常用的運(yùn)動學(xué)單軌模型（kinematic bicycle model）和較為精細(xì)的動力學(xué)模型都可以用來保證軌跡可執(zhí)行性。軌跡生成時(shí)會約束最大橫向加速度、最大縱向加速度與最大轉(zhuǎn)向角速度，避免出現(xiàn)車輛無法跟隨的軌跡。乘客舒適性也會被轉(zhuǎn)化為約束或代價(jià)項(xiàng)，加速度、加加速度（jerk）和橫向加速度的突變都會被懲罰，從而保證平滑的轉(zhuǎn)彎動作。

在高度不確定或?qū)κ中袨殡y以預(yù)測時(shí)，概率與魯棒控制方法變得尤為重要。基于POMDP（部分可觀測馬爾科夫決策過程）的框架能夠在觀測不完全與行為不確定的情況下給出最優(yōu)策略，但其計(jì)算復(fù)雜度通常很高，實(shí)際情況下，系統(tǒng)會采用近似方法或只在關(guān)鍵時(shí)刻使用。另一條工程化路徑是使用基于風(fēng)險(xiǎn)的優(yōu)化，即定義一個(gè)風(fēng)險(xiǎn)函數(shù)，該函數(shù)衡量在軌跡執(zhí)行期間出現(xiàn)碰撞或近碰的概率，并在優(yōu)化中把風(fēng)險(xiǎn)控制在可接受閾值內(nèi)。這樣，決策不僅考慮期望成本，也把尾部風(fēng)險(xiǎn)（低概率但高代價(jià)的事件）納入考慮。

數(shù)據(jù)驅(qū)動的方法正在快速發(fā)展，尤其是用來學(xué)習(xí)“人類可接受行為”的模型。通過對大量交通場景的數(shù)據(jù)學(xué)習(xí)，自動駕駛系統(tǒng)可以學(xué)到一些場景特有的隱含規(guī)則（例如某城市司機(jī)更愿意在特定情況下禮讓），進(jìn)而生成更“社會化”的軌跡。然而，這類模型的可解釋性和可驗(yàn)證性仍是挑戰(zhàn)。在安全關(guān)鍵的場景里，純學(xué)習(xí)方法通常需要與規(guī)則/物理模型結(jié)合，以便在極端情形下保持可預(yù)測與可控。

仿真與驗(yàn)證是確保策略可行的最后一道防線。在實(shí)驗(yàn)室中，系統(tǒng)會在大規(guī)模仿真環(huán)境中暴露于成千上萬種無引導(dǎo)線左轉(zhuǎn)情形，檢驗(yàn)在各種天氣、能見度、道路幾何和其他車輛策略下的表現(xiàn)。仿真中需要覆蓋罕見但危險(xiǎn)的角落案例，如一輛摩托車突然從路邊穿出或?qū)ο蜍囕v急剎等場景一定需要涵蓋。真實(shí)道路測試則需要循序漸進(jìn)，從封閉場地到低流量路段再到復(fù)雜城市路口，逐步放寬安全員干預(yù)。這種逐步驗(yàn)證不僅是技術(shù)要求，也是合規(guī)與倫理的必須。

工程實(shí)踐中還有許多細(xì)節(jié)會影響自動駕駛汽車在無引導(dǎo)線的左轉(zhuǎn)場景下的最終表現(xiàn)。傳感器的安裝位置和視角決定了對交叉口的可視范圍，攝像頭與激光雷達(dá)的同步與時(shí)間戳對多傳感器融合至關(guān)重要。決策頻率要與控制器頻率匹配，過低會在高度動態(tài)場景里導(dǎo)致滯后，過高又會引發(fā)計(jì)算資源瓶頸。系統(tǒng)還需要對極端情況設(shè)計(jì)兜底策略，例如當(dāng)傳感器數(shù)據(jù)不可信或突然出現(xiàn)傳感器故障時(shí)，應(yīng)立即進(jìn)入保守模式——如停在安全位置或緩慢退出交叉口，同時(shí)發(fā)出危險(xiǎn)信號。

最后的話

總的來說，無引導(dǎo)線的無保護(hù)左轉(zhuǎn)不是單一算法能解決的問題，而是一個(gè)系統(tǒng)級挑戰(zhàn)。要做到既安全又高效，這就需要從感知到控制的端到端協(xié)同設(shè)計(jì)，感知提供可靠的世界模型，預(yù)測揭示多模態(tài)的未來，決策在規(guī)則與風(fēng)險(xiǎn)之間找到平衡，軌跡生成在動力學(xué)、舒適性與安全之間求解最優(yōu)解。再加上良好的工程實(shí)現(xiàn)、全面的仿真驗(yàn)證與謹(jǐn)慎的路測推進(jìn)，自動駕駛車輛才能在這個(gè)看似簡單但充滿變數(shù)的場景里，像一個(gè)既謹(jǐn)慎又體貼的人類司機(jī)那樣完成左轉(zhuǎn)。

-- END --