Apollo自动驾驶减速绕行与加速超车技术解析

1. Apollo自动驾驶中的减速绕行与加速超车概述

在自动驾驶系统的决策规划模块中，减速绕行和加速超车是最能体现系统智能化的典型场景。百度Apollo平台通过分层状态机架构，将复杂的驾驶行为拆解为可配置的决策任务序列。当车辆前方出现低速障碍物时（如速度低于3m/s的慢速车），系统会触发借道绕行逻辑；而当检测到前车速度持续低于本车期望速度且满足超车条件时，则会启动加速超车流程。

这两个功能看似简单，实则涉及感知预测、决策规划、控制执行的完整闭环。以绕行为例，系统需要综合判断：

• 前车速度是否低于静态障碍物阈值（默认0.5m/s，可配置）
• 相邻车道是否有足够的安全空间（考虑车道宽度和障碍物横向缓冲）
• 绕行路径是否符合交通规则（如虚线允许变道）
• 执行过程中的动态风险评估（RSS安全模型）

2. 减速绕行的实现机制

2.1 静态障碍物判定逻辑

Apollo通过static_obstacle_speed_threshold参数（默认0.5m/s）界定静态障碍物。当检测到前车速度低于此阈值时，规划模块会将其归类为需要绕行的静态障碍物。在实际道路场景中，这个阈值通常需要调高到3m/s左右，以应对城市道路中的慢速车流。

关键判定代码位于IsWithinPathDeciderScopeObstacle函数：

cpp复制bool IsWithinPathDeciderScopeObstacle(const Obstacle& obstacle) {
  if (obstacle.IsVirtual()) return false;  // 排除虚拟障碍物
  if (obstacle.IsIgnore()) return false;   // 排除标记忽略的障碍物
  return obstacle.speed() <= FLAGS_static_obstacle_speed_threshold;
}

2.2 绕行路径规划流程

当确定需要绕行后，系统会启动包含以下任务的决策链：

1. LANE_CHANGE_DECIDER：评估是否允许变道
2. PATH_BOUNDS_DECIDER：计算路径边界
3. PIECEWISE_JERK_PATH_OPTIMIZER：生成平滑路径
4. SPEED_DECIDER：确定绕行速度曲线

其中关键参数obstacle_lat_buffer（默认0.4米）控制绕行时与障碍物的横向安全距离。在狭窄路段，建议增大该值至1.5米以上：

bash复制# planning.conf修改示例
--static_obstacle_speed_threshold=3.0
--obstacle_lat_buffer=1.5

2.3 绕行失败处理策略

当出现以下情况时，系统会回退到跟车模式：

• 相邻车道有对向车流（通过LaneBorrowDecider判断）
• 路径优化失败（QP问题无解）
• 动态障碍物突然切入（RSS模型预警）

此时车辆会启动FOLLOW决策，保持安全跟车距离：

python复制# 跟车距离计算公式
safe_distance = max(
    ego_speed * reaction_time + 0.5 * deceleration * reaction_time**2,
    min_follow_distance
)

3. 加速超车的实现原理

3.1 超车条件检测

超车决策基于多维条件判断：

1. 速度差检测：前车速度持续5秒低于本车期望速度的80%
2. 车道合法性：当前车道线为虚线（通过HDMAP获取）
3. 邻道空间评估：相邻车道前后50米无冲突障碍物
4. 超车时间窗：预计超车时间小于最大允许值（通常8秒）

protobuf复制// 超车决策配置示例
overtaking_config {
  min_speed_difference: 2.0  // 最小速度差(m/s)
  min_overtaking_time: 3.0   // 最小超车时间(s)
  max_overtaking_time: 8.0
  lateral_clearance: 1.2     // 横向净空(m)
}

3.2 超车轨迹生成

超车轨迹采用分段加加速度优化（Piecewise Jerk Speed Optimizer），核心步骤包括：

1. 在ST图中规划安全超车走廊
2. 使用QP优化生成速度剖面
3. 考虑纵向和横向的舒适性约束

python复制# 超车轨迹优化目标函数
cost = w1 * jerk + w2 * time + w3 * deviation
subject to:
    s(t) >= safe_distance(leading_vehicle)
    v(t) <= speed_limit
    a(t) ∈ [a_min, a_max]

3.3 超车过程中的风险控制

Apollo采用RSS（Responsibility-Sensitive Safety）模型进行实时风险评估：

• 纵向安全：保持最小安全距离 d_min = v_ego * ρ + 0.5 * a_max * ρ^2 + (v_ego^2 - v_lead^2)/(2 * b_min)
• 横向安全：确保最小侧向间隔 lat_gap > 0.5m + 0.1v
• 应急策略：当风险系数超过阈值时，立即中止超车

4. 工程实践中的关键调优点

4.1 参数配置经验

在真实道路测试中，我们发现以下参数对性能影响显著：

4.2 典型问题排查指南

问题1：频繁误触发绕行

• 检查感知模块的速度估计精度
• 验证static_obstacle_speed_threshold是否匹配场景
• 确认障碍物分类是否正确（特别是摩托车/自行车）

问题2：超车动作不流畅

• 检查QP优化器的权重配置（jerk权重建议0.8-1.2）
• 验证ST图中的动态障碍物预测轨迹
• 调整速度规划的时间分辨率（建议0.1s）

4.3 特殊场景处理

施工区域绕行：

1. 通过V2X或视觉识别施工标志
2. 提前200米启动路径重规划
3. 采用更保守的横向缓冲（建议≥2.0m）

雨天环境适应：

bash复制# 雨天参数调整示例
--static_obstacle_speed_threshold=2.5  # 降低阈值
--obstacle_lat_buffer=1.8              # 增大缓冲
--deceleration_limit=2.0               # 降低制动加速度

5. 系统架构设计解析

5.1 决策状态机设计

Apollo采用双层状态机架构：

code复制Top-Level FSM
├── LaneFollow
├── ChangeLane
└── OverTake
    ├── Prepare
    ├── Accelerate
    └── Return

每个状态对应不同的任务组合，例如超车状态包含：

protobuf复制stage_type: OVERTAKE_STAGE
task_type: PATH_LANE_BORROW_DECIDER
task_type: SPEED_DECIDER
task_type: RSS_DECIDER

5.2 与感知预测的协同

决策模块通过以下接口获取环境信息：

1. 障碍物属性：速度、加速度、预测轨迹
2. 车道拓扑：车道线类型、连接关系
3. 交通规则：限速、禁止超车区

cpp复制// 典型数据订阅
planning_->Subscribe<PredictionObstacles>(
    "/prediction", &Planning::OnPrediction);
planning_->Subscribe<HDMap>(
    "/map", &Planning::OnHDMap);

5.3 实时性能优化

为满足100ms决策周期要求，采用以下优化手段：

• 路径规划使用预计算的参考线
• 速度规划采用线性QP近似
• 并行执行不耦合的任务
• 热点函数SIMD指令优化

assembly复制// 典型热点函数（边界计算）的SIMD优化
vmovdqa ymm0, [rdi]   ; 加载障碍物位置
vpminsd ymm1, ymm0, [rsi] ; 计算最小边界