Tag: 自动驾驶

专业术语

什么是速度障碍法？

速度障碍法(Velocity Obstacle Method)是自动驾驶领域用于动态避障的核心算法，其核心思想是通过计算自车与障碍物在未来时刻可能的速度空间交集来实现碰撞预测。该方法由J. P. van den Berg等人于2008年提出，通过构建一个称为速度障碍锥(Velocity Obstacle Cone)的几何区域，将障碍物的运动状态映射到自车的速度选择空间，任何落入该区域的速度向量都将导致碰撞风险，从而指导车辆规划安全的行驶速度。 在自动驾驶产品开发中，速度障碍法因其计算效率和实时性优势，常被用于城市复杂场景的紧急避障模块。不同于传统基于轨迹预测的避障方法，它直接处理速度空间关系，避免了繁琐的轨迹预测过程。现代自动驾驶系统通常将其与强化学习结合，通过VO区域快速筛选可行速度集，再通过优化算法选择最优解，有效平衡了安全性与舒适性需求。该技术已成功应用于多款量产自动驾驶系统的紧急制动(AEB)和变道决策模块。

专业术语

什么是碰撞锥？

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。

专业术语

什么是时间弹性带？

时间弹性带（Time Elastic Band，简称TEB）是自动驾驶领域用于路径规划与运动控制的核心算法之一。它通过构建一个由连续位姿节点组成的弹性带，在考虑时间因素的基础上动态优化车辆轨迹。与传统静态路径规划不同，TEB将时间维度纳入优化框架，使轨迹能够根据环境障碍物、动力学约束和实时交通状况进行弹性形变，同时保证轨迹的平滑性和可行性。 在自动驾驶产品落地中，TEB算法特别适合处理复杂动态场景下的实时运动规划，例如城市道路中的避障、变道或路口通过等场景。其优势在于能够将车辆动力学约束（如最大加速度、转向角速度）与环境约束统一建模，并通过数值优化方法快速生成符合安全性和舒适性要求的轨迹。当前主流自动驾驶系统常将TEB与局部代价地图结合使用，形成分层规划架构，这也是特斯拉Autopilot等系统中局部路径规划模块的技术基础之一。

专业术语

什么是ST图？

ST图（Speed-Time Graph）是自动驾驶规划领域中用于描述车辆运动状态的关键工具，它以时间为横轴、速度为纵轴，直观呈现车辆在特定路径上的速度变化轨迹。这种二维坐标系不仅包含速度-时间曲线本身，还隐含着加速度、加加速度（jerk）等动力学参数信息，通过曲线斜率与曲率变化反映车辆运动的平顺性。ST图在本质上构建了一个时空走廊，规划算法需在此约束范围内寻找最优速度曲线，同时规避障碍物的时空占据区域。 在实际产品开发中，ST图与SL图（路径-纵向距离图）共同构成分层规划框架的核心。规划模块首先生成SL路径，再通过ST图进行速度决策，这种解耦方式大幅降低了计算复杂度。现代自动驾驶系统常采用ST图进行变道时机判断、前车跟随策略优化以及交通灯通过性分析，例如当图中出现障碍物占据区时，算法需决策减速等待或加速超越。值得延伸阅读的是《自动驾驶中的运动规划》（作者：Steven LaValle）第5章对时空规划方法有系统阐述，而Waymo在2021年发布的《Motion Planning Challenges in Autonomous Driving》技术报告则提供了工业级应用案例。

专业术语

什么是XT图？

XT图（时空图，X-Time Graph）是自动驾驶领域用于描述车辆运动状态随时间变化的可视化工具，其中X轴代表时间维度，T轴则表征车辆位置或运动轨迹。这种二维坐标系将抽象的运动学参数转化为直观的几何图形，使工程师能够同时观察速度、加速度、位置等关键指标在时间线上的演变规律。在数学表达上，XT图本质是位移-时间函数曲线的图形化呈现，其斜率反映瞬时速度，曲率变化则体现加速度特征。 对于自动驾驶产品开发而言，XT图是算法调试和性能验证的重要辅助工具。规划模块的轨迹预测结果可直接映射为XT曲线，通过与实际传感器数据的对比分析，工程师能够快速识别急加减速、轨迹跳变等异常情况。在跟车场景中，前后车XT曲线的相对位置关系可清晰呈现安全距离保持效果，而交叉路口的多车XT图叠加分析则能验证冲突消解算法的有效性。值得注意的是，随着深度学习在运动预测中的应用，现代XT图已开始融合概率分布云图，以可视化呈现预测结果的不确定性范围。

专业术语

什么是状态格子？

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。

专业术语

什么是有限状态机？

有限状态机（Finite State Machine，FSM）是一种用于描述系统行为的形式化模型，它将系统抽象为有限数量的状态，并通过状态间的转换来响应外部事件或条件。在计算机科学中，FSM由一组状态、一组输入事件、一组转移规则以及可能的输出行为构成。其核心思想是系统在任何时刻都处于某个特定状态，当接收到特定输入时，系统会根据预定义的规则转移到另一个状态，并可能执行相应的动作。 在自动驾驶汽车开发中，有限状态机被广泛应用于决策模块的设计。例如，车辆的行驶模式（如巡航、变道、紧急制动）可以建模为不同的状态，而传感器输入（如前方障碍物距离、交通信号灯状态）则触发状态间的转换。这种模块化设计使得复杂驾驶行为的逻辑清晰可控，同时便于调试和维护。值得注意的是，现代自动驾驶系统常采用分层状态机或混合状态机架构，以处理多任务并发的场景。

专业术语

什么是决策树？

决策树是一种经典的机器学习算法，通过树状结构对数据进行分类或回归预测。其核心思想是通过一系列「如果-那么」的规则划分特征空间，每个内部节点代表一个属性测试，每个分支代表测试结果，而每个叶节点则存储最终的决策结果。决策树具有直观可解释性强、计算效率高等特点，能够自动筛选重要特征，且对数据预处理要求较低。 在自动驾驶领域，决策树常用于行为决策模块，如变道判断、紧急制动等场景规则的建模。相比黑盒模型，决策树的可解释性使其更符合功能安全要求，工程师可以清晰追溯每个决策背后的逻辑链条。随着集成学习方法的发展，基于决策树的随机森林、GBDT等算法在感知预测任务中展现出更强的性能，成为自动驾驶系统的重要组成部分。

专业术语

什么是合作博弈？

合作博弈（Cooperative Game）是博弈论中的一个重要分支，研究多个参与者如何通过策略性合作来实现共同利益最大化的决策过程。与强调个体利益对抗的非合作博弈不同，合作博弈关注的是参与者之间如何形成联盟，并通过协议、承诺或强制约束来分配合作产生的集体收益。其核心在于证明合作能产生比单独行动更大的整体收益，并通过合理的收益分配机制维持联盟稳定性。 在自动驾驶领域，合作博弈理论为多车协同决策提供了数学框架。例如在车队编队行驶场景中，各车辆通过共享感知数据形成动态联盟，既能提升整体通行效率，又能优化每辆车的能耗分配。现代V2X系统采用的协同感知算法，本质上就是通过沙普利值（Shapley Value）等合作博弈解概念，量化每辆车提供的数据对群体决策的边际贡献，从而建立公平的数据价值交换机制。

专业术语

什么是意图推理？

意图推理（Intent Inference）是自动驾驶系统中用于预测和解读道路参与者行为意图的核心技术。它通过对周边车辆、行人等动态目标的运动轨迹、姿态、历史行为等多元信息进行实时分析，结合环境上下文与交通规则，构建概率模型来推断其未来可能采取的行动。不同于简单的轨迹预测，意图推理更强调对行为动机的深层理解，例如判断相邻车道车辆是否意图变道，或行人是否有横穿马路的倾向。 在实际产品开发中，意图推理模块的准确性直接关系到决策规划的安全性。早期系统多采用基于规则的方法，如今则普遍融合深度学习与概率图模型，如使用长短时记忆网络（LSTM）建模时间序列特征，或通过条件随机场（CRF）捕捉多目标间的交互关系。值得关注的是，特斯拉2023年技术报告中提到的「交互搜索算法」（Interaction Search Algorithm）便是一种典型的意图推理实现，其通过模拟周围车辆可能的行为树来优化自车策略。