1. 从一次“惊险”的测试视频说起前几天我在一个自动驾驶技术交流群里看到了一段流传甚广的测试视频片段。画面里一辆贴着Uber ATGAdvanced Technologies Group标识的测试车在路口黄灯亮起的瞬间非但没有减速反而维持着甚至略微加速的姿态径直“闯”了过去。视频的拍摄者显然被吓了一跳旁白里充满了不解和担忧“这车怎么这么‘虎’黄灯了还不减速不要命了吗”这个片段迅速引发了群里的激烈讨论。有人调侃这是“硅谷速度”有人质疑传感器是不是坏了更多的人则和我一样陷入了技术层面的思考这真的是一个“错误”或“鲁莽”的行为吗还是说在这看似违背常理的操作背后隐藏着自动驾驶决策系统一套复杂的、甚至与我们人类驾驶员截然不同的逻辑今天我们就以这个“闯黄灯”事件为引子深入拆解一下自动驾驶汽车尤其是以Uber为代表的早期方案在感知、预测、规划与控制PPC全链条中面对此类动态交通场景时究竟是如何“思考”并做出决策的。你会发现机器的“不要命”很可能源于它对“安全”和“效率”有一套更冷酷、更数学化的定义。2. 黄灯困境人类司机与自动驾驶的认知鸿沟要理解自动驾驶的行为首先得明白黄灯在人类交通规则中的模糊性。对于人类司机而言黄灯不是一个非黑即白的指令。它意味着“警告”是绿灯到红灯的过渡。我们的决策是一个复杂的、基于经验的快速博弈过程估算自己到停止线的距离、当前车速、刹车性能、路口是否有摄像头、后车跟得紧不紧甚至包括当时的心情和紧迫感。最终我们会在“冲过去”和“停下来”之间选择一个自认为风险更低、或更“划算”的选项。这个过程充满了主观性和不确定性也是路口事故的高发原因之一。然而对于自动驾驶系统尤其是基于规则Rule-based或早期混合决策模型的系统这种模糊性是灾难性的。系统必须将连续、模糊的现实世界转化为离散、确定的可执行指令。因此在程序设计中黄灯通常会被赋予一个更“硬”的边界条件。一个常见的简化策略是设定一个“决策点”当车辆到达距离停止线某个特定距离例如依据当前速度计算需要X秒的减速度才能舒适停下时如果信号灯为绿灯则评估通过可能性如果变为黄灯则系统必须立即决策——是执行“通过”还是“停止”。问题就出在这个“决策点”和后续的“舒适减速度”参数上。以Uber早期采用的方案为例其技术框架源自卡耐基梅隆大学机器人研究所的许多成果与后来的纯数据驱动端到端模型有区别它的决策模块很可能依赖于一个高度优化的成本函数Cost Function。这个函数会综合评估多个因素的成本例如违反交通信号的成本闯红灯的成本极高闯黄灯的成本次之但具体数值需要设定。急刹车的成本包括乘客舒适度下降加速度变化率Jerk值、潜在的后车追尾风险、以及能量损耗。通行效率的成本不必要的停车会导致行程时间增加。预测轨迹的碰撞风险成本基于对周围行人、车辆未来轨迹的预测计算每条潜在路径的碰撞概率。系统会在极短时间内计算“紧急制动至停止”和“维持当前速度通过”两条主要轨迹的总成本然后选择成本更低的那条。如果“急刹车成本” “轻微违反黄灯规则的成本” “平稳通过的成本”系统就可能选择“冲黄灯”。在Uber的案例中其算法可能对“急刹车”赋予了异常高的成本过于追求乘坐舒适性或避免后车碰撞同时对“闯黄灯”的规则成本设定得相对较低从而导致系统在黄灯初期更倾向于通过。注意这里存在一个关键的“冷启动”问题。人类司机看到黄灯亮起是从“允许通行”的绿灯状态切换过来的心理上有一个预期。而自动驾驶的感知系统是逐帧判断的。如果感知延迟、或信号灯识别模块在黄灯亮起瞬间未能100%确信例如光照干扰系统可能会在几毫秒内仍按“绿灯”逻辑进行规划等确认是黄灯时车辆可能已经越过了那个理论上的“安全停止点”此时急刹的风险反而大于通过。这也能部分解释视频中“不减速”的现象。3. 透视Uber自动驾驶的技术栈与决策逻辑要深入分析我们不能停留在猜测需要回顾一下Uber ATG当时可能采用的技术架构。虽然其具体代码未公开但结合其招聘需求、技术论文以及行业通用的模块划分我们可以勾勒出一个大致的画面。这有助于我们理解“闯黄灯”决策发生在哪个环节以及为何会产生这样的结果。Uber的自动驾驶系统大概率属于模块化架构而非现在热门的端到端大模型如VLA Vision-Language-Action。模块化架构将任务分解为感知、定位、预测、规划、控制等独立模块每个模块各司其职通过预定义的接口传递数据。这种架构的优点是可解释性强、模块可以单独调试和升级但缺点也明显信息在传递过程中会有损失和延迟且“木桶效应”显著最弱的模块决定整体上限。3.1 感知与定位层看见了什么身在何处这是所有决策的基础。Uber测试车通常配备了激光雷达LiDAR、摄像头、毫米波雷达和GNSS/IMU组合导航系统。激光雷达提供高精度的3D点云用于检测障碍物轮廓和距离。点云分割标注是训练感知模型的关键目的是将成千上万个点分类为“车辆”、“行人”、“骑行者”、“道路”、“植被”等。Uber早期可能使用了基于传统几何特征或早期深度学习如PointNet系列的分割算法。摄像头提供丰富的纹理和颜色信息主要用于交通信号灯、标志牌、车道线的识别以及对物体类型的精细分类。这里就涉及深度学习与自动驾驶的经典应用用卷积神经网络CNN识别红绿灯状态。毫米波雷达擅长测速和在大雨、雾天工作弥补激光雷达和摄像头的不足。定位结合高精地图HD Map、激光雷达点云与地图的匹配Localization、以及GNSS实现厘米级定位。自动驾驶激光SLAM技术在这里扮演重要角色尤其是在GNSS信号不佳的区域如城市峡谷通过激光雷达数据实时构建并匹配局部地图确保车辆知道自己的精确位姿。在“闯黄灯”场景中感知层必须毫秒不差地完成以下任务1检测到交通信号灯的存在2正确分类其当前状态红、黄、绿3估算出车辆到停止线的准确距离。任何一个环节的微小延迟或误判都会直接导致后续决策的偏差。3.2 预测与规划层核心的决策大脑这是整个系统最核心、也最复杂的部分也是“闯黄灯”决策的产生地。预测模块它不仅要感知静态环境还要预测动态参与者其他车、人的未来几秒内的轨迹。早期系统多采用基于物理模型如恒定速度、加速度模型或简单交互模型的方法。更先进的会使用深度学习进行轨迹预测。预测的准确性直接决定了规划的安全性。规划模块这是真正的“指挥官”。它接收感知和预测的结果结合高精地图提供的车道、交通规则信息生成一条从当前位置到目标位置的安全、舒适、高效的轨迹。Uber很可能使用了类似Apollo EM Planner的规划器这是一种经典的、分层的规划方法。行为决策层Behavioral Layer在粗粒度上决定车辆要做什么例如“车道保持”、“换道”、“路口左转”、“停车等待”。在黄灯路口这一层需要做出“通过”或“停止”的行为决策。运动规划层Motion Planning Layer将行为决策转化为一条具体的、平滑的、无碰撞的轨迹。这需要求解一个复杂的优化问题其中就包含了我们前面提到的成本函数。优化变量包括轨迹的曲率、加速度、速度等约束条件包括车辆动力学限制、交通规则、障碍物避让等。自动驾驶控制业务的核心算法如MPC模型预测控制在这里被紧密集成用于生成可被底层控制器执行的轨迹。关键点在于成本函数的权重设置。如果算法工程师在调试时将“乘客舒适度”即减速度变化平缓的权重设得过高将“严格遵守黄灯规则”视为一种可轻微违反的规则的权重设得过低那么系统在黄灯初期的优化求解中就很容易得出“轻微加速通过比急刹车更优成本更低”的结论。这并非系统“想找死”而是它在给定的数学公式下计算出的“最优解”。4. 从模块化到端到端决策范式的迁移与挑战“闯黄灯”事件暴露了模块化架构在处理复杂、模糊场景时的僵化。规则和成本函数是人为预设的很难覆盖所有“长尾场景”。这也是为什么近年来端到端自动驾驶成为了研究热点。端到端模型试图用一个庞大的深度学习模型通常是Transformer架构直接输入传感器数据如图像、激光雷达点云输出控制指令方向盘转角、油门刹车。它不显式地分为感知、预测、规划模块而是让模型自己从海量数据中学习这些中间表示和决策逻辑。端到端大模型VLA更是引入了语言指令让系统能理解“小心通过路口”或“保守驾驶”等高级命令。这种范式的优势在于减少信息损失避免了模块间接口导致的信息压缩和延迟。更好的泛化能力通过海量自动驾驶数据集包括中国自动驾驶数据集如DAIR-V2X、nuScenes的中国子集等的训练模型可能学会更接近人类的、更灵活的驾驶策略包括对黄灯那种“可冲可停”的模糊地带的处理。处理复杂交互深度学习模型更擅长捕捉交通参与者之间微妙的、非定式的交互意图。然而端到端也带来了巨大挑战可解释性差它是一个“黑箱”。我们很难理解为什么模型在某个时刻做出了“冲黄灯”的决策这给调试、验证和权责认定带来了困难。数据依赖性强需要极其庞大、高质量、覆盖所有极端场景的数据。如果训练数据中“安全冲黄灯”的样本多于“急刹停黄灯”的样本模型就可能偏向于前者。安全验证难如何证明一个端到端模型在所有未知场景下都是安全的是目前尚未解决的难题。有趣的是一些前沿研究正在尝试结合两者优点比如用端到端模型作为“老师”来指导或优化模块化系统中成本函数的参数或者用大模型来生成更合理的驾驶行为参考。甚至有人在**《欧洲卡车模拟2》欧卡2** 这类高度拟真的游戏中用端到端模型进行训练和测试因为游戏能低成本生成海量、多样的驾驶场景包括各种极端天气和交通状况。5. 实测复盘如何设计更“像人”也更安全的黄灯策略那么作为一个自动驾驶算法工程师在面对黄灯场景时应该如何设计一个更合理、更安全的策略呢结合我个人的项目经验和行业实践以下是一些关键思路和实操要点5.1 精细化定义“决策区间”而非“决策点”不要用一个固定的距离或时间点来触发二选一决策。应该定义一个动态的“决策区间”例如距离停止线2-5秒车程的范围。在这个区间内系统应持续评估并允许决策在一定条件下反转。区间入口如黄灯亮起时距停止线5秒车程系统倾向于准备停车。除非有极高置信度的预测表明通过更安全如后方有高速逼近的大型车辆且预测其可能无法及时制动。区间中部综合计算通过和停止的成本但会为“停止”预留更多的安全余量即更早开始平缓制动。区间出口如距停止线1.5秒车程一旦进入此区域应果断锁定“通过”决策并确保车辆能平稳通过避免在停止线前急刹或犹豫不决这是最危险的状态。5.2 引入不确定性感知和风险预测成本函数不能只计算单一轨迹的成本而应计算在预测不确定性下的期望成本。感知不确定性交通灯识别置信度是多少如果置信度低于阈值比如90%应默认按最坏情况即红灯处理或触发降级策略如温和减速并提示人工接管。预测不确定性对横向闯入的电动车、行人的预测轨迹方差有多大方差越大意味着风险越高决策应越保守。自身控制不确定性考虑制动系统响应延迟、路面附着系数变化等因素在计算制动距离时加入安全系数。5.3 设计多层级的、可解释的成本函数将成本函数拆解为多个层级并使其参数可在线调节或学习。安全层最高优先级一票否决任何有确定碰撞风险的轨迹成本直接设为无穷大。这需要精确的碰撞检测算法。规则层违反交通规则的成本。这里可以对“闯黄灯”进行分级惩罚例如在黄灯亮起前半秒通过惩罚较小在黄灯即将结束前半秒通过惩罚应急剧增大因为那意味着很可能闯红灯。舒适层考虑加速度、加加速度Jerk、曲率变化率等。急刹车的成本应该高但不应高到让系统宁愿冒险。一个技巧是使用非对称成本急刹车的舒适成本可以设得高但急加速的舒适成本可以设得更高因为乘客对突然的推背感更敏感这也能抑制系统在黄灯前盲目加速。效率层行程时间、能耗等。权重通常最低。在调试时可以通过大量的仿真测试包括极端案例回放观察不同参数下系统在成千上万个黄灯场景中的表现用数据来校准这些权重而不是凭感觉。5.4 利用高精地图和V2X信息如果车辆拥有路口的高精地图它能提前知道停止线的精确位置、路口几何形状甚至信号灯的相位时序如果接入了V2X车路协同信号。这能极大提升决策的准确性和提前量。系统可以提前规划速度实现“绿波通行”或平稳停车从根本上减少陷入“冲还是停”两难境地的次数。5.5 引入驾驶风格参数和场景上下文系统不应只有一种驾驶策略。可以通过一个“驾驶风格”参数如“保守”、“标准”、“高效”来动态调整成本函数中各部分的权重。在天气恶劣、学校区域、或感知置信度低时自动切换到“保守”模式此时对黄灯的反应会更倾向于提前减速。同时系统应能理解场景上下文在高速路下匝道的黄灯路口与在城市支路小路口决策的激进程度理应不同。回过头看Uber那个“闯黄灯”的案例它很可能是在一套追求平顺性、且对规则层成本权重设置不够敏感的算法参数下产生的“局部最优解”。对于公众和监管者而言这样的行为是难以接受的因为它挑战了人类的驾驶常识和安全感。这也提醒所有自动驾驶开发者算法的“最优”必须建立在符合人类普遍预期和社会规范的基础之上。安全永远不是一个单纯的数学最小值问题更是一个涉及心理学、伦理学和社会学的复杂命题。在教会机器如何驾驶的路上我们不仅要给它装上眼睛和大脑或许还需要为它注入一丝人类的“谨慎”与“敬畏”。