【自动驾驶】从轨迹规划到安全评估：核心术语场景化解读

1. 自动驾驶技术链路全景解读

想象一下你坐在一辆自动驾驶汽车里，车辆正行驶在晚高峰的城市道路上。左侧突然有外卖电动车强行变道，右前方公交车正在靠站，而你的车需要在这复杂的场景中做出毫秒级的反应。这背后是一套完整的"感知-决策-规划-控制-评估"技术链路在实时运作。

感知层就像人类的眼睛和耳朵，通过激光雷达、摄像头、毫米波雷达等传感器，实时捕捉周围环境信息。比如当系统检测到左侧电动车的突然变道（业内称为cut-in行为），会立即标记为高风险目标。

决策层则像人类驾驶员的大脑，基于感知数据做出判断。这时系统可能启动纵向决策中的"减速避让(yield)"策略，同时考虑是否需要进行nudge（道内避障）动作。我曾参与过某车型的决策算法调试，发现系统对电动车这类小目标的识别存在200ms左右的延迟，后来通过优化传感器融合算法才解决这个问题。

规划层负责生成具体行驶路线，输出未来5-10秒的trajectory（轨迹）。在实际道路测试中，我们经常遇到trajectory flicker（轨迹抖动）问题——就像新手司机犹豫不决时的方向盘晃动，这会导致乘客晕车。解决方法是引入更平滑的轨迹优化算法。

控制层将规划好的轨迹转化为油门、刹车、转向的具体指令。这里涉及到pinch（曲率一阶导数）和juke（曲率二阶导数）等参数，它们决定了车辆过弯时的平顺性。实测数据显示，当juke值超过0.15m⁻³时，乘客就会明显感到不适。

评估层则持续监控系统表现，记录MPI（每次干预行驶里程数）等安全指标。去年某次封闭场地测试中，我们的系统在应对roundabout（环岛）场景时MPI值骤降，后来发现是决策算法对环形车流的优先级判断存在缺陷。

2. 城市道路场景的术语实战

早高峰的十字路口是检验自动驾驶系统的试金石。这里我们以典型的城市交叉口场景为例，拆解关键术语的实际应用。

当车辆接近红绿灯时，感知系统会通过ray casting（射线投射）技术扫描前方区域。这个算法原理类似游戏中的子弹轨迹计算，可以高效检测occlusion（遮挡区域）——比如被大货车挡住的斑马线行人。我们在上海测试时，就遇到过公交车遮挡右转行人导致的紧急制动，后来通过增加多帧累积检测改善了这个问题。

遇到前方车辆缓行时，系统可能触发pull out（泊出）策略变道超车。这里涉及两个关键参数：geometric padding（几何缓冲）和safety padding（安全距离）。前者是给障碍物加的固定"保护壳"，后者则是根据相对速度动态调整的安全余量。实测发现将自行车的安全padding设为1.2米时，既能保证安全又不会过于保守。

在拥堵跟车场景下，longitudinal decision（纵向决策）的优先级规则尤为重要。我们的经验是：对突然插入的车辆（cut-in）要采用"follow+soft padding"组合策略——先跟车保持流量，同时预留舒适缓冲。某次路测中，过于激进的"ignore"决策就导致了不必要的急刹。

3. 高速公路场景的技术要点

时速100km/h的高速场景对自动驾驶系统提出了更高要求。这个场景下有几个关键术语需要特别关注。

attractor（吸引子）和repeller（排斥子）概念在高速跟车时尤为重要。我们将前车轨迹建模为attractor，确保自车(ego)稳定跟随；同时将相邻车道的大货车视为repeller，自动保持更大横向距离。这种建模方式使得车辆在青岛跨海大桥测试时，能够优雅地处理侧风影响。

变道超车时会用到cross lane nudge（借道避障）策略。与城市道路不同，高速场景需要更早启动nudge动作——我们一般提前150米就开始渐进式偏移，避免给后车造成压力。某德系车企的测试数据显示，这种渐进式nudge可以减少62%的后车鸣笛抗议。

disk和box两种自车表示法在高速场景各有优劣。box（矩形包围盒）更适合计算与护栏等规则物体的距离，而disk（多圆组合）在处理不规则障碍物时更精确。我们在实际开发中会动态切换这两种表示法。

4. 自动泊车场景的细节解析

狭窄车位里的自动泊车可能是最让新手司机头疼的场景，也是自动驾驶专业术语密集出现的领域。

pull in（泊入）过程开始时，系统会先构建geometric padding地图。有趣的是，我们给不同障碍物设置了不同padding值：墙面30cm，车辆50cm，立柱则要留出80cm——这是多次刮蹭测试得出的经验值。某次地下车库测试中，过于紧凑的立柱padding就导致了后视镜轻微擦碰。

在调整车位时，pinch和juke这两个参数直接影响泊车流畅度。理想的泊车轨迹应该保持pinch值在±0.05m⁻²以内，这样乘客就不会感到突兀的方向盘转动。我们开发了一套实时优化算法，可以在1秒内计算出满足该条件的轨迹。

遇到柱状障碍物时，ray casting技术能精准检测出视线死角。有次测试发现，系统对消防栓的识别距离比标准立柱短20cm，排查后发现是材质反射率差异导致的，后来通过增加红外特征检测解决了这个问题。

5. 安全评估的核心指标

当自动驾驶车辆完成路测返回基地，工程师们会重点分析各类安全指标。这些枯燥的数字背后，是保障系统可靠性的关键。

MPI（每次干预行驶里程）是最基础的指标，但要注意区分不同类型。我们发现MPCI（关键干预里程）更能反映系统本质安全水平——在某次三个月测试中，虽然MPI达到2000公里，但MPCI只有500公里，暴露出极端场景处理能力的不足。

MPFI（系统故障干预里程）则反映硬件可靠性。有个典型案例：某批传感器在高温下的MPFI值骤降，后来发现是连接器热胀冷缩导致的接触不良。这类问题在实验室环境很难复现，必须通过长期路测积累数据。

评估roundabout场景时，我们引入了MPEI（经验干预里程）指标。统计显示，人类安全员在环岛场景的干预有30%其实是非必要的，通过改进评估标准，系统在该场景的MPEI从300公里提升到了800公里。