2026星火自动驾驶planning模块的实时决策优化方案

1次阅读

共计 1507 个字符，预计需要花费 4 分钟才能阅读完成。

自动驾驶的 planning 模块在高动态城市环境中常面临两个核心问题：

实时性不足：当遇到行人突然穿越马路这类突发场景时，传统的基于规则的决策系统需要遍历大量条件分支，导致计算延迟增加。我们在测试中发现，90% 的急刹场景中，规划延迟超过 150ms 就会显著增加碰撞风险。
多目标决策冲突：比如同时遇到避让行人和保持舒适性两个目标时，纯规则引擎往往通过硬编码优先级解决，但在复杂路口这类策略会导致 ” 犹豫不决 ” 的蛇形轨迹。

纯规则引擎：
优点：确定性高，调试直观
缺点：长尾场景覆盖成本指数级增长
端到端 RL：
优点：自适应复杂场景
缺点：黑箱特性导致安全验证困难

我们的混合架构采用 分层状态机 + 模型微调 设计：

sequenceDiagram
    Rule Layer->>Learning Layer: 场景特征(障碍物, 路权等)
    Learning Layer->>Rule Layer: 建议权重[0-1]
    Rule Layer->>Cache: 查询历史决策
    Cache-->>Rule Layer: 命中相似场景?
    Rule Layer->>Controller: 最终轨迹指令

使用 Frenet 坐标系将场景参数化为 (s,d,v) 三元组
通过局部敏感哈希 (LSH) 建立场景指纹
缓存命中时直接复用轨迹预测结果

class StateMachine:
    def __init__(self):
        self._states = {
            'NORMAL': self._normal_mode,
            'EMERGENCY': self._emergency_mode
        }
        self.current_state = 'NORMAL'

    def transition(self, scenario_risk):
        try:
            if scenario_risk > 0.7:
                self.current_state = 'EMERGENCY'
            else:
                self.current_state = 'NORMAL'
        except Exception as e:
            log_error(f"State transition failed: {str(e)}")
            activate_fallback()

// 创建带 TTL 的缓存区
auto cache = std::make_shared<rclcpp::Parameter>(\
    "trajectory_cache_size", 100);

// 订阅预测结果
auto sub = create_subscription<PredictionMsg>(
    "/prediction", 10,
    [&](const PredictionMsg::SharedPtr msg) {auto key = generate_scene_hash(msg);
        if (!cache.exists(key)) {cache.insert(key, msg, 500ms); // 500ms 有效期
        }
    });