共计 1613 个字符，预计需要花费 5 分钟才能阅读完成。

Apollo 自动驾驶红绿灯右转场景实战指南

背景与痛点

在城市道路中，红绿灯右转场景是自动驾驶系统面临的一个典型复杂场景。这种场景的特殊性主要体现在以下几个方面：

• 不同地区交通规则差异：有些地区允许红灯右转但需完全停车观察，有些则完全禁止
• 行人避让要求：右转时需特别关注人行横道上的行人
• 复杂视野遮挡：大型车辆可能遮挡信号灯视线

传统规则引擎在这种场景下存在明显局限性：

• 难以处理规则冲突（如允许红灯右转但检测到行人）
• 缺乏对实时环境的适应性
• 无法有效处理传感器噪声和不确定性

技术实现

1. 感知模块的信号灯识别

Apollo 使用多传感器融合来识别交通信号灯状态：

1. 摄像头检测信号灯位置和颜色
2. LiDAR 辅助定位信号灯三维位置
3. 时间序列滤波消除瞬时误检测

# 信号灯状态判断示例
class TrafficLightDetector:
    def __init__(self):
        self.last_states = []

    def update_state(self, current_state):
        """使用时间序列滤波稳定信号灯状态"""
        self.last_states.append(current_state)
        if len(self.last_states) > 5:
            self.last_states.pop(0)
        return mode(self.last_states)  # 取最近 5 帧的众数

2. 高精地图的应用

高精地图在右转场景中提供关键静态信息：

• 右转车道边界
• 停止线位置
• 人行横道位置
• 允许红灯右转的特殊标记

3. 决策模块实现

Apollo 使用有限状态机 (FSM) 处理右转场景，主要状态包括：

1. APPROACHING：接近路口
2. WAITING_FOR_GREEN：等待绿灯
3. YIELDING：让行行人 / 车辆
4. TURNING：执行右转

// 右转状态机简化示例
enum RightTurnState {
    APPROACHING,
    WAITING_FOR_GREEN,
    YIELDING,
    TURNING
};

class RightTurnFSM {
public:
    void Update(const PerceptionObstacles& obstacles, 
               const TrafficLight& traffic_light) {switch(current_state_) {
            case APPROACHING:
                if(IsCloseToStopLine()) {current_state_ = traffic_light.is_green ? TURNING : WAITING_FOR_GREEN;}
                break;
            // 其他状态处理...
        }
    }
};

性能与安全

计算延迟影响

• 感知模块延迟需控制在 100ms 以内
• 决策 - 控制闭环延迟应小于 200ms
• 使用预测模块提前预判行人移动趋势

环境鲁棒性

针对不同天气条件的优化策略：

• 雨天：增强图像对比度处理
• 雾天：增加 LiDAR 权重
• 逆光：使用 HDR 摄像头
• 夜间：依赖红外补光

避坑指南

常见配置错误

• 停止线位置偏移导致过早停车
• 信号灯 ROI 区域设置不当
• 未正确设置区域特殊交通规则

参数调优建议

1. 停车距离阈值：通常设置为停止线前 1 -1.5 米
2. 转向速度曲线：根据转弯半径动态调整
3. 行人安全距离：保持至少 1 米缓冲
4. 最小起步间隔：检测到行人后至少等待 2 秒

进阶思考

1. 如何处理闪烁黄灯情况？应该视为绿灯还是需要特殊处理？
2. 当高精地图与感知结果冲突时（如临时施工改变车道），如何安全处理？
3. 在无保护右转场景（无专用右转灯），如何平衡通过效率和安全性？

模拟验证建议

推荐使用 LGSVL 模拟器验证右转场景：

1. 创建包含多种信号灯配置的测试场景
2. 添加不同密度的行人流量
3. 模拟各种天气条件
4. 收集通过成功率、舒适度等指标

结语

红绿灯右转场景是检验自动驾驶系统成熟度的重要测试案例。通过 Apollo 框架提供的多模块协同方案，开发者可以构建出既安全又高效的右转决策系统。实际部署时，建议先从简单场景开始测试，逐步增加复杂度，并特别注意不同地区的交通规则差异。希望本文能为您的自动驾驶开发提供实用参考。