1. 项目背景与核心价值
在自动驾驶领域,规划决策模块相当于车辆的"大脑",而"让行-超车"场景则是这个大脑面临的最复杂考题之一。去年我们在实测Apollo 7.0时,就遇到过这样的场景:前方一辆环卫车以15km/h的速度作业,右侧车道有连续车流,系统需要在3秒内做出保持跟随、变道超车或减速让行的决策。这种场景下,决策逻辑的优先级设置直接关系到行驶安全和效率。
传统规则型决策树在面对这类场景时常常陷入"选择困难症",而Apollo采用的基于场景语义的优先级决策框架,通过多层次代价函数计算,实现了更接近人类驾驶员的决策行为。这个仿真项目正是要验证不同场景下决策逻辑的合理性,特别是当多个交通参与者同时存在交互时的决策稳定性。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 决策框架解析
2.1 分层决策架构
Apollo的决策系统采用典型的三层架构:
- 场景识别层:通过感知数据判断当前属于跟车、并道、交叉口等哪种场景
- 行为决策层:生成候选行为集(如加速、保持、变道等)
- 运动规划层:生成具体轨迹
在"让行-超车"场景中,系统会并行计算不同行为的代价,包括:
- 安全代价(碰撞风险)
- 效率代价(时间损失)
- 舒适度代价(加加速度)
- 规则代价(交通法规符合度)
2.2 优先级决策矩阵
我们构建的仿真测试用例主要验证以下优先级逻辑:
| 场景特征 | 首选行为 | 触发条件 |
|---|---|---|
| 前车速度<50%期望速度 | 超车 | 侧向空间>1.5m & 后车距离>20m |
| 对向有来车 | 让行 | TTC<4s |
| 前车为特殊车辆 | 强制让行 | 救护车/警车等 |
| 湿滑路面 | 保守跟车 | 摩擦系数<0.4 |
注:TTC(Time To Collis
