[首發(fā)于智駕最前沿微信公眾號]要把自動駕駛講清楚，最直觀的比喻是把整車當(dāng)作一個“會開車的人”，感知相當(dāng)于眼睛和耳朵，負(fù)責(zé)把外界變成內(nèi)部能理解的信息；決策像大腦，判斷“接下來怎么做”；控制則像手和腳，把決策變成具體動作。這個比喻看似簡單，其實每一層都有大量細(xì)節(jié)、復(fù)雜性和工程權(quán)衡。

自動駕駛感知層

感知系統(tǒng)最重要的就是傳感器。自動駕駛常見的傳感器群包括攝像頭、激光雷達(dá)（LiDAR）、毫米波雷達(dá)、超聲波傳感器和定位慣導(dǎo)系統(tǒng)（GNSS+IMU）。攝像頭給出豐富的顏色和紋理信息，適合識別交通標(biāo)志、車道線和信號燈，但受光照、雨霧和逆光影響較大。激光雷達(dá)提供精確的三維點(diǎn)云，測距精度高，能清晰描述障礙物的形狀，但在雪、雨或強(qiáng)反射表面上會有噪聲，并且成本與數(shù)據(jù)量較高。毫米波雷達(dá)穿透能較好，能穩(wěn)定測量物體的相對速度，常用來補(bǔ)充在惡劣天氣中攝像頭和激光雷達(dá)受限時的信息。超聲波用于短距離近場探測，如自動泊車場景。GNSS+IMU提供車輛的全局位置和短時姿態(tài)，但在隧道、高樓林立的市區(qū)或地下停車場會失準(zhǔn)，因此通常與車載視覺/雷達(dá)細(xì)粒度定位或高精地圖配合使用。理解每種傳感器的強(qiáng)弱，是合理設(shè)計感知系統(tǒng)的第一步。

把傳感器數(shù)據(jù)變成可用信息，需要經(jīng)過若干階段。首先是數(shù)據(jù)預(yù)處理，這其中包括時間同步、坐標(biāo)轉(zhuǎn)換和濾波。時間同步是基礎(chǔ)但經(jīng)常被低估的問題，因為攝像頭、雷達(dá)、IMU的采樣頻率與時延不同，如果不把數(shù)據(jù)對齊，感知模塊會把同一物體“看到”成不同位置。坐標(biāo)轉(zhuǎn)換則把所有傳感器的數(shù)據(jù)投影到統(tǒng)一的坐標(biāo)系（通常是車輛坐標(biāo)系或世界坐標(biāo)系），便于后續(xù)融合。噪聲去除、點(diǎn)云下采樣、圖像去霧和偽影濾除等都屬于預(yù)處理范疇，目的是降低輸入端的干擾。

預(yù)處理后要進(jìn)行的就是檢測、語義分割、跟蹤與定位。檢測和語義分割通常基于深度學(xué)習(xí)模型處理攝像頭像素或激光點(diǎn)云特征，目標(biāo)是把“像素/點(diǎn)”轉(zhuǎn)成“物體”的表示。點(diǎn)云檢測有一系列方法，從傳統(tǒng)基于體素/網(wǎng)格的點(diǎn)云處理，到最近幾年流行的基于點(diǎn)網(wǎng)絡(luò)、柱狀體（pillar）或多視圖融合的端到端網(wǎng)絡(luò)。攝像頭的檢測則常用卷積神經(jīng)網(wǎng)絡(luò)做目標(biāo)檢測和分割，再結(jié)合幾何方法估計深度。跟蹤模塊將每幀的檢測結(jié)果關(guān)聯(lián)成時間連續(xù)的軌跡，常見的做法是在檢測后的狀態(tài)上運(yùn)行卡爾曼濾波或更復(fù)雜的貝葉斯濾波器，同時結(jié)合匈牙利算法或深度學(xué)習(xí)相似度度量做數(shù)據(jù)關(guān)聯(lián)。跟蹤能平滑檢測噪聲、處理短時遮擋，并為預(yù)測模塊提供歷史軌跡。

感知里另一個重要環(huán)節(jié)是預(yù)測，這里所說的預(yù)測，并不是“把未來完全預(yù)測出來”，而是給出帶不確定性的未來分布。最簡單的預(yù)測是假定目標(biāo)勻速或勻加速，但在真實道路中行人、騎行者和其他車輛會有復(fù)雜的轉(zhuǎn)向、剎車或交互行為。因此在實際設(shè)計時會混合使用物理模型、基于軌跡的啟發(fā)式方法和學(xué)習(xí)型模型。學(xué)習(xí)型方法包括循環(huán)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、Transformers等，它們能夠?qū)W習(xí)交通參與者在不同語義場景下的典型軌跡模式。更進(jìn)一步的交互式預(yù)測會把其他主體的可能反應(yīng)也考慮進(jìn)來，輸出諸如“若我減速，對方有x%概率做y行為”的條件式預(yù)測。這其中的關(guān)鍵在于，感知模塊的輸出通常不是“單一真值”，而是狀態(tài)估計加上不確定度（概率或置信度），這些不確定信息必須傳遞給決策層，否則決策會“高估”感知的準(zhǔn)確性。

現(xiàn)在感知系統(tǒng)越來越依賴深度學(xué)習(xí)，在實際工程中常常把幾何算法和學(xué)習(xí)方法結(jié)合使用以兼顧效率與可解釋性。例如用傳統(tǒng)的點(diǎn)云配準(zhǔn)算法做粗對齊，再把對齊后的數(shù)據(jù)送入學(xué)習(xí)模型做語義提?。换蛟跀z像頭里用多目幾何恢復(fù)深度之后再用學(xué)習(xí)網(wǎng)絡(luò)做檢測。這樣做的好處是能利用物理先驗來約束學(xué)習(xí)模型，減少對海量標(biāo)注數(shù)據(jù)的依賴，并在極端場景下有可解釋的操作行為。另一個實際問題是計算資源與延遲，點(diǎn)云和高分辨率相機(jī)數(shù)據(jù)量巨大，感知模塊要在有限算力下達(dá)成實時（通常10–30Hz），這促使大家使用模型剪枝、蒸餾、量化以及硬件加速（GPU/TPU/專用加速器）來壓縮推理時間。

在這中間有個容易被忽略但非常重要的點(diǎn)，那就是感知的錯誤模式。遮擋、逆光、強(qiáng)反射、路面鏡像、紡織物或交通錐的非典型外觀、雨雪顆?；夭ǖ榷紩斐筛兄e誤。為此系統(tǒng)必須在設(shè)計時就考慮不確定性傳播，如當(dāng)感知給出的“行人置信度只有 0.6”時，決策層要相應(yīng)保守；當(dāng)定位相對高精地圖的匹配不穩(wěn)定時，車輛應(yīng)降低速度并盡快進(jìn)入安全模式。感知并不是單純輸出“物體在哪里”，而是把狀態(tài)、置信度和語義關(guān)鍵信息（例如“這是車輛還是自行車”）一起輸出，供決策層綜合判斷。

自動駕駛決策層

自動駕駛決策層通常分層處理，分別是從更高層的路徑規(guī)劃（route planning）到行為規(guī)劃（behavior planning），再到局部運(yùn)動規(guī)劃（motion planning）。路徑規(guī)劃解決“從A點(diǎn)到B點(diǎn)應(yīng)走哪條道路”，這部分和傳統(tǒng)導(dǎo)航類似，依賴路網(wǎng)圖和交通規(guī)則。行為規(guī)劃負(fù)責(zé)回答“在當(dāng)前路段我應(yīng)該做什么樣的駕駛行為”，比如是否變道、是否超車、是否在某處掉頭。局部運(yùn)動規(guī)劃則把行為轉(zhuǎn)化為連續(xù)的、滿足動力學(xué)約束的時間-空間軌跡。把這三層分離有利于把復(fù)雜問題拆解，但也要注意交互與一致性，高層決定了一些不可逆的動作（例如進(jìn)入匝道），一旦執(zhí)行，局部規(guī)劃和控制需要能可靠實現(xiàn)并處理外界反應(yīng)。

行為規(guī)劃的實現(xiàn)方法多樣，早期工程做法偏重規(guī)則與狀態(tài)機(jī)，例如把交通規(guī)則、禮讓策略和一些經(jīng)驗規(guī)則寫死，行為邏輯用有限狀態(tài)機(jī)來實現(xiàn)。這種方法可解釋、易于驗證，但難以覆蓋復(fù)雜多變的場景。近年來，基于成本函數(shù)的優(yōu)化方法和學(xué)習(xí)型策略被廣泛研究。成本函數(shù)方法會定義一組目標(biāo)和約束，例如安全距離、舒適度、時間效率、與交通規(guī)則的偏差等，然后在候選行為或軌跡集合中求最小代價解。強(qiáng)化學(xué)習(xí)或模仿學(xué)習(xí)的方法試圖從數(shù)據(jù)中直接學(xué)習(xí)到“如何決策”，在某些場景下能學(xué)出更靈活的駕駛策略，但其可解釋性與可驗證性仍是挑戰(zhàn)。因此在實際產(chǎn)品中，常使用混合策略，即把規(guī)則作為硬約束，把學(xué)習(xí)模型或優(yōu)化器作為軟策略決策器，并在顯著不確定時回退到規(guī)則基線。

局部運(yùn)動規(guī)劃是決策到控制的橋梁，它要在給定行為下生成一條可追蹤的時間序列軌跡，通常需要考慮車輛動力學(xué)、路面曲率、障礙物位置和預(yù)測軌跡等因素。軌跡生成有采樣-評估的方法，也有優(yōu)化求解的方法。采樣方法先生成多個可行軌跡樣本，再基于成本函數(shù)評估并選取最優(yōu)樣本；這種方法實現(xiàn)簡單、容易并行化，但樣本覆蓋性影響結(jié)果。優(yōu)化方法（例如基于梯度的軌跡優(yōu)化或Model Predictive Control的前置規(guī)劃）則直接把軌跡求解為連續(xù)優(yōu)化問題，能夠更精細(xì)地處理約束但計算量大。有技術(shù)提出把快速采樣器與局部優(yōu)化結(jié)合，先生成候選軌跡（保證實時性），再用快速優(yōu)化做局部修正以提高可行性與舒適度。

決策模塊的另一個關(guān)鍵挑戰(zhàn)是交互。道路上的其他主體會根據(jù)你的動作做出反應(yīng)，因此一個好決策不僅要預(yù)測別人會怎么走，還要評估別人對自己動作的反應(yīng)。交互式?jīng)Q策可以借助博弈論、多智能體強(qiáng)化學(xué)習(xí)或條件預(yù)測模型，但這些方法復(fù)雜且難以保證收斂到可驗證的策略。因此工程實現(xiàn)上往往選擇折中，在常規(guī)場景使用預(yù)測模型加權(quán)評估候選軌跡，并在風(fēng)險升高或預(yù)測不確定度大時降速或保守避讓，從而在保證安全的同時不犧牲效率過多。

決策還必須與法規(guī)、倫理和功能安全規(guī)范對齊。不同國家和地區(qū)對自動駕駛行為有不同的法律約束，例如對變道禮讓、紅綠燈處理、學(xué)校區(qū)域限速等都有明確規(guī)范。決策系統(tǒng)要把這些硬約束嵌入策略里，如ISO 26262會要求對導(dǎo)致潛在危險的故障模式做風(fēng)險評估并設(shè)計冗余/故障響應(yīng)機(jī)制。從技術(shù)角度考慮，一個常見的做法是在決策模塊里加入安全保護(hù)層（safety envelope），它在局部規(guī)劃輸出后作為最后一道檢查，確保軌跡在例如不突破最低剎車距離、保持橫向穩(wěn)定限值等任何已知的安全約束內(nèi)，如果檢測到違反則拒絕該軌跡并觸發(fā)緊急減速或停靠。

自動駕駛控制層

決策的輸出是期望軌跡或期望速度曲線，這些被送到控制層去執(zhí)行?？刂频娜蝿?wù)是把規(guī)劃的期望軌跡跟蹤成車輛實際運(yùn)動。控制分為縱向（速度/加減速）和橫向（轉(zhuǎn)向）兩個主要維度。有些系統(tǒng)把兩者合并進(jìn)一個聯(lián)合控制器，有些系統(tǒng)分別設(shè)計縱橫向控制器再做協(xié)調(diào)?？刂破饕幚淼默F(xiàn)實問題包括執(zhí)行器非線性（油門踏板與車體前進(jìn)的非線性關(guān)系、制動踏板與制動力的非線性）、執(zhí)行器時延（踏板命令到實際加速存在延遲）、以及車輛動力學(xué)隨載荷和輪胎狀態(tài)變化。

縱向控制里常見的技術(shù)有PID和模型預(yù)測控制（MPC）。PID簡單可靠，參數(shù)調(diào)教成熟，適合常規(guī)高速巡航；MPC更適合在需要考慮動力學(xué)約束與預(yù)測信息時使用，因為MPC可以在優(yōu)化中直接引入可控約束（例如最大加速度、乘客舒適度權(quán)重）并生成未來一段時間的控制序列。但MPC計算復(fù)雜，需要實時求解優(yōu)化問題，對算力要求高。橫向控制常見算法包括幾何方法（如pure pursuit）、基于狀態(tài)誤差的控制（如Stanley 控制器）、以及同樣使用MPC的模型預(yù)測控制。純幾何方法實現(xiàn)簡單且在低速下表現(xiàn)良好，MPC在高速或動態(tài)耦合情況下表現(xiàn)更穩(wěn)健。

控制的設(shè)計不只是選擇一種算法那么簡單，還包括前饋+反饋結(jié)構(gòu)、延遲補(bǔ)償、以及對執(zhí)行器和輪胎模型的非線性補(bǔ)償。前饋控制利用規(guī)劃軌跡的曲率給出預(yù)期轉(zhuǎn)向角，減少穩(wěn)態(tài)誤差；反饋控制則基于實際誤差做修正。延遲補(bǔ)償可以通過預(yù)測未來的車輛狀態(tài)或在規(guī)劃時把已知延遲納入軌跡，實現(xiàn)在實際執(zhí)行中減少超前或滯后導(dǎo)致的偏差。更復(fù)雜的系統(tǒng)還會把輪胎力學(xué)、車身橫擺動力學(xué)等模型引入控制器以提高極限條件下的穩(wěn)定性。

控制器還要與車輛的底層電子穩(wěn)定系統(tǒng)（ESP/ESC）、制動防抱死系統(tǒng)（ABS）等協(xié)同工作。緊急制動時制動力分配、ABS的激活以及ESC的側(cè)向力控制都會影響車輛實際行為，因此控制系統(tǒng)通常需要與底層車輛控制單元（VCU）緊密集成，或者通過低級接口讓車輛底層的安全系統(tǒng)優(yōu)先保證車體穩(wěn)定性。

三者結(jié)合的必要性

把感知、決策、控制三層放到一起，系統(tǒng)架構(gòu)上看起來就像是一條流水線，但工程實現(xiàn)中會并行設(shè)計多個冗余路徑。為了保證功能安全，常見做法是傳感器冗余（同一類型或不同類型傳感器重復(fù)布局）、計算冗余（主控和備份控制器分開工作并相互監(jiān)測）和軟件冗余（主算法和簡化硬規(guī)則并行檢查），低延遲安全通道（watchdog）也會在主鏈路失效時立刻干預(yù)。

測試與驗證是整個系統(tǒng)開發(fā)中最消耗資源但又最關(guān)鍵的部分。感知需要大量標(biāo)注數(shù)據(jù)覆蓋不同天氣、光照、道路材料和稀有事件。單純依靠大規(guī)模道路測試既昂貴又難以覆蓋所有角落，因此工業(yè)界廣泛使用仿真平臺做海量場景測試，其中包括可編程的交通參與者行為、極端天氣模擬和傳感器物理仿真。決策需要進(jìn)行交互式場景的長尾測試，評估在罕見場景中的策略魯棒性。運(yùn)動規(guī)劃和控制則要做閉環(huán)仿真加真實車輛道路測試，尤其是邊界條件下的跟蹤誤差與穩(wěn)定性驗證。硬件在環(huán)（HIL）和車輛在環(huán)（VIL）測試是把軟件與真實執(zhí)行器、電控單元耦合起來驗證延遲和非線性影響的重要手段。當(dāng)然，最終的道路驗證（含試驗場和公開道路）仍是不可或缺的步驟，但要在前述多層次仿真和工況驗證基礎(chǔ)上有選擇性地放大測試覆蓋。

綜上所述，自動駕駛的感知、決策與控制是一個高度耦合的系統(tǒng)工程。感知負(fù)責(zé)把復(fù)雜、噪聲且有不確定性的外界信息轉(zhuǎn)換為具有語義和概率描述的內(nèi)部狀態(tài)；決策基于這些狀態(tài)做出策略選擇，并生成滿足動力學(xué)和安全約束的軌跡；控制將軌跡精確執(zhí)行到車輛上，同時應(yīng)對執(zhí)行器非線性與延遲。每一層既有經(jīng)典算法的成熟路徑，也在迅速被學(xué)習(xí)型方法推動邊界，但是想要讓自動駕駛落地最重要的始終是魯棒性、可驗證性與安全性。理解三層的分工并把接口上的不確定性顯式處理好，是把研究成果轉(zhuǎn)化為可靠產(chǎn)品的關(guān)鍵。