Category: 专业术语

潜在场方法(Potential Field Method)是自动驾驶路径规划领域的一种经典算法，其核心思想是将环境建模为虚拟力场，目标点产生吸引力而障碍物产生排斥力。该方法将车辆所处的环境抽象为一个连续的能量场，目标的引力场和障碍物的斥力场叠加形成合力场，车辆沿着势能下降的方向即可实现避障导航。这种基于物理力学的建模方式在数学上表现为梯度下降法的应用，计算效率较高且易于实现实时控制。 在自动驾驶实际应用中，潜在场方法特别适合结构化道路环境下的局部路径规划。其优势在于算法响应速度快、计算资源占用少，能够有效处理动态障碍物避让场景。特斯拉早期自动驾驶系统就曾采用改进型势场算法进行紧急避障决策。但该方法也存在局部极小值问题和震荡现象等局限性，现代自动驾驶系统往往将其与其他规划算法结合使用，如与A*算法配合实现全局路径优化。近年来，基于深度学习的混合势场方法正在成为研究热点，通过神经网络学习更精确的力场参数。

人工势场(Artificial Potential Field)是自动驾驶路径规划中的经典算法，它将车辆周围环境建模为虚拟的力场系统。在这个模型中，目标点会产生引力场吸引车辆靠近，而障碍物则形成斥力场迫使车辆远离。通过计算这两种力的矢量和，系统能够实时生成平滑的避障路径。该方法的优势在于计算效率高、响应速度快，特别适合动态环境下的实时决策，但其局部极小值问题也需要通过优化算法来解决。 在自动驾驶产品开发中，人工势场常被用于低速场景的局部路径规划，如自动泊车或园区物流车避障。现代系统通常会结合改进的势场函数与全局规划器，例如在引力场中引入速度势场，使车辆能更自然地处理弯道和会车场景。随着强化学习等技术的发展，势场参数的动态调整也展现出新的可能性，但核心的物理模型思想仍保持着工程应用价值。

碰撞锥（Collision Cone）是自动驾驶领域用于预测潜在碰撞风险的重要几何概念，它描述了自车与障碍物在未来时间窗口内可能发生碰撞的所有相对运动轨迹构成的锥形区域。当障碍物相对于自车的运动矢量进入该锥形区域时，即判定存在碰撞风险。碰撞锥的边界由自车与障碍物的运动学约束决定，其开口角度与相对速度、距离等因素相关。 在自动驾驶系统的实际应用中，碰撞锥常被用于紧急避障算法的风险评估环节。通过实时计算周围障碍物的碰撞锥，系统能快速筛选出高风险目标并优先处理。近年来，随着运动预测精度的提升，碰撞锥的计算已从简单的二维平面扩展至考虑车辆动力学约束的三维空间，并与概率模型结合形成更鲁棒的碰撞风险评估体系。该技术在自动紧急制动（AEB）和变道决策等场景中具有显著价值。

状态格子（State Lattice）是自动驾驶路径规划中的一种结构化表示方法，它将车辆的运动状态离散化为网格化的节点与连接边，每个节点代表车辆在特定时刻的位置、朝向、速度等状态量，边则代表状态间的可行转移轨迹。这种抽象方式将连续的状态空间转化为离散的拓扑结构，既保留了物理可行性约束（如最大曲率、加速度限制），又为搜索算法（如A*、Dijkstra）提供了高效的数学表达框架。其核心优势在于能预先计算符合车辆动力学特性的运动基元（Motion Primitives），形成可复用的轨迹库。 在自动驾驶产品落地场景中，状态格子技术常用于结构化道路的局部路径规划。例如泊车系统可通过预先生成的倒车轨迹格子快速搜索最优路径，而城市道路场景则利用速度自适应的状态格子实现平滑变道。近年来，基于学习的状态格子生成方法（如神经运动基元）进一步提升了复杂动态环境下的规划效率，这种结合经典控制理论与数据驱动的方法，正逐渐成为量产自动驾驶系统的标配方案。

动作原语（Action Primitive）是自动驾驶系统中描述车辆基本运动单元的抽象概念，指代那些不可再分解的基础控制指令，如加速、制动、转向等离散化操作。这类原语构成了高阶驾驶策略的原子组件，通过不同时序组合能实现复杂驾驶行为。从控制理论视角看，动作原语具有明确的运动学或动力学边界约束，其参数化表征需满足实时性、可预测性和安全性要求，例如转向角度精度需控制在±0.5°以内，加速度变化率不超过2m/s³等工程化指标。 在自动驾驶产品落地过程中，动作原语库的设计直接影响系统性能边界。业界通常采用分层架构，将决策层输出的轨迹规划分解为底层控制器可执行的原语序列。例如自动泊车场景可能由「纵向匀速-横向定曲率-全向制动」等原语组合实现。值得注意的是，原语的颗粒度选择需要平衡灵活性与计算复杂度，特斯拉2020年专利（US10782693B1）就展示了通过17个基础原语覆盖90%城市工况的典型案例。当前前沿研究正探索基于强化学习的原语自适应生成技术，以应对极端工况下的控制需求。