新手也能懂：用 Apollo Public Road Planner 的“场景-阶段-任务”三层模型，拆解一次无保护左转

从零拆解Apollo无保护左转：三层模型下的自动驾驶决策推演

想象你正坐在一辆自动驾驶汽车里，前方是一个繁忙的十字路口。绿灯亮起，但对面直行的车辆川流不息——这就是典型的无保护左转场景。人类司机需要观察、判断、等待时机，而Apollo系统则通过"场景-阶段-任务"三层模型，将这一复杂决策过程分解为可计算的步骤。本文将带你化身Planning模块，亲历一次完整的决策推演。

1. 场景触发：十字路口的"数字交警"

当车辆接近路口约50米时，ScenarioManager开始扫描环境特征：

def check_scenario(frame): if frame.traffic_light.color == 'GREEN' and \ not frame.traffic_light.has_protected_arrow and \ frame.map_data.intersection_type == 'UNPROTECTED': return TrafficLightUnprotectedLeftTurnScenario()

这个场景的独特之处在于：

• 动态博弈性：需要对向直行车辆的实时轨迹预测
• 风险梯度：随着车辆接近路口，安全阈值逐步收紧
• 时间窗口：必须在绿灯周期内完成决策

典型误判情况包括将闪烁黄灯误认为绿灯，或未检测到远处快速接近的对向车辆。系统通过多传感器融合和预测模块的补偿机制来避免这些错误。

2. 阶段分解：左转动作的"慢动作回放"

2.1 Creep阶段：谨慎的"探步"

车辆以0.3m/s²减速度缓行至停止线前3米处，此时：

1. 感知聚焦：激光雷达FOV集中在对向车道±30度范围
2. 预测沙盘：生成对向车辆的未来5秒轨迹概率云
3. 安全校验：持续计算Time-To-Collision(TTC)值

注意：Creep速度需平衡观察需求与通行效率，过快会压缩决策时间，过慢可能导致错过绿灯周期

2.2 决策阶段：博弈论下的最佳时机

系统构建 payoff matrix 评估不同选择：

决策引擎综合以下因素动态调整权重：

• 剩余绿灯时间
• 后方车辆跟车距离
• 对向车辆加速度变化率

2.3 执行阶段：精准的轨迹控制

确定通过后，路径规划器生成两条候选轨迹：

trajectory_a = { 'curvature': [0.01, 0.12, 0.09], # 更平缓的转弯 'speed_profile': [3.2, 4.1, 5.0] # 加速通过 } trajectory_b = { 'curvature': [0.02, 0.15, 0.10], # 更急的转弯 'speed_profile': [4.0, 3.8, 4.5] # 保持匀速 }

最终选择trajectory_a，因其在以下评估中胜出：

• 横向加速度低于0.3g
• 方向盘转角变化率<15°/s
• 预留1.2米安全边际

3. 任务层：微观操作的"齿轮组"

3.1 速度规划任务

采用三次样条插值生成速度曲线，关键约束条件：

• 最大减速度不超过2.5m/s²
• jerk值限制在1.8m/s³内
• 停止线前速度必须降为0

异常处理：当检测到对向车辆突然加速时，触发紧急修订：

1. 立即中断当前速度曲线
2. 在0.3秒内生成新的制动曲线
3. 保证减速度平滑过渡

3.2 路径优化任务

使用Frenet坐标系下的QP优化：

// 目标函数：平滑性+偏移最小化 minimize ∫(d''(s))²ds + w₁∫(d(s)-d_ref(s))²ds subject to: d(s) ∈ [d_min(s), d_max(s)] // 道路边界约束 |d'(s)| < tan(30°) // 曲率约束

实际运行时会进行约15次迭代优化，耗时控制在80ms内。

3.3 风险监控任务

实时计算以下安全指标：

当任意指标接近阈值时，系统会提前0.5秒启动降级方案。

4. 场景退出：左转完成的"状态清算"

成功通过路口后，系统执行：

1. 场景审计：记录关键决策点的实际表现vs预测
2. 资源释放：清除为本次左转分配的临时内存
3. 状态迁移：切换回LaneFollowScenario的初始化阶段

性能数据：典型无保护左转场景处理耗时约120-200ms，其中：

• 环境感知占比35%
• 决策计算占比45%
• 轨迹生成占比20%

在极端复杂路口（如6向交叉口），系统会主动降级为更保守的决策模式，必要时通过V2X获取补充信息。这种分层处理机制既保证了常规场景的高效性，又为边缘情况预留了安全余量。