共计 1597 个字符，预计需要花费 4 分钟才能阅读完成。
背景痛点：为什么红绿灯右转如此复杂
红绿灯右转场景是城市自动驾驶中最具挑战性的场景之一，主要原因在于其多维度冲突点的集中出现：
- 行人穿越风险 ：右转时 A 柱盲区与横向人行道的行人形成观测死角
- 对向车流干扰 ：部分情况下需要跨越对向直行车道（如无专用右转灯时）
- 信号灯语义复杂 ：箭头灯、满屏灯、倒计时显示的组合判断
- 道路拓扑多变 ：不同国家的右转规则差异（如中国允许红灯右转但需让行）
传统基于规则的算法在此场景下容易产生以下问题：
- 过度保守导致通行效率低下
- 对突发闯入物体反应不足
- 信号灯误识别引发危险行为
技术方案：Apollo 的三大核心模块
感知模块优化
Apollo 采用多传感器融合方案解决红绿灯识别问题：
- 视觉为主 ：基于 YOLOv5 改进的交通灯检测网络（TLD-Net）
- 增加时序上下文模块处理闪烁问题
- 采用注意力机制消除阳光反射干扰
- LIDAR 辅助 ：点云聚类排除非灯类发光体
- V2X 冗余 ：通过 RSU 获取信号灯相位信息
动态物体检测关键参数：
# 行人检测参数配置示例（Python）pedestrian_config = {
"min_confidence": 0.85, # 高于常规物体检测阈值
"tracking_age": 5, # 要求连续 5 帧稳定检测
"prediction_horizon": 2.0 # 预测 2 秒内的运动轨迹
}决策规划模块
采用分层有限状态机（HFSM）设计，核心状态包括：
- APPROACHING：接近路口时提前 200 米启动场景识别
- WAIT_FOR_GAP：检测可穿越间隙的综合判断条件：
- 对向车速度 < 5m/ s 且距离 > 15m
- 行人运动方向背离车道
- CREEPING：以 0.3m/ s 低速试探前进
- TURNING：生成满足舒适度的曲率连续路径
状态转换代码片段（C++）：
// 状态转移条件判断示例
bool CanEnterTurningState(const ScenarioContext& context) {
return context.traffic_light == GREEN_ARROW ||
(context.traffic_light == RED &&
context.oncoming_vehicles.empty() &&
context.pedestrians.empty());
}控制模块
采用 MPC（模型预测控制）实现平滑转向：
- 代价函数设计 ：
- 横向误差权重：0.6
- 航向角误差权重：0.3
- 加速度变化率权重：0.1
- 特殊处理 ：
- 右转时内侧轮速差补偿
- 方向盘转角速率限制（<90°/s）
性能优化实战
实测中发现三个关键性能瓶颈及解决方案：
- 红绿灯识别延迟 ：
- 问题：视觉处理耗时 >150ms
-
优化：采用 GPU 加速的 INT8 量化模型
-
规划计算抖动 ：
- 问题：频繁重规划导致控制指令不连续
-
优化：增加 0.2 秒的决策保持窗口
-
控制指令震荡 ：
- 问题：MPC 求解器数值不稳定
- 优化：添加 QP 问题的正则化项
开发者避坑指南
- 信号灯状态管理
- 错误做法：直接使用单帧检测结果
-
正确方案：建立灯态时序验证机（至少 3 帧一致）
-
行人意图预测
- 错误做法：仅依赖当前位置判断
-
正确方案：结合头部朝向和步态分析
-
控制参数调优
- 错误做法：固定转向速率参数
-
正确方案：根据转弯半径动态调整（半径 <5m 时降速 30%）
-
异常处理
- 错误做法：依赖单一传感器
-
正确方案：设置多级降级策略（如 V2X 失效时切换纯视觉）
-
测试验证
- 错误做法：仅用仿真测试
- 正确方案：构建典型 corner case 场景库（如闯红灯行人）
扩展思考
本方案的核心方法论可迁移到以下场景：
- 无保护左转
- 环岛进入决策
- 匝道合流
建议开发者重点关注两个方向：
- 预测模块增强 ：引入行人手机使用检测等新特征
- 协同感知 ：利用车联网实现群体决策
实际部署时需要特别注意本地化适配，例如：
- 北美地区需处理 stop sign 后的右转规则
- 日本需考虑行人优先程度更高的路权划分
通过持续的场景数据闭环（Data Flywheel），可以不断提升该场景的通过率和舒适度。建议每周回放 bad case 并更新模型参数，逐步覆盖更多长尾场景。
正文完
