編者語：后臺回復“入群”，加入「智駕最前沿」微信交流群

對于很多新手司機來說，在無引導線左轉的場景中，開車會非常謹慎，但依舊會很好地處理好這一操作。但對于自動駕駛汽車來說，其行駛需要有較為明顯的參考線，在沒有白色虛線、沒有箭頭感知“我的車道在哪兒”的交通場景下，想要很好地處理好無引導線左轉是一個非常大的挑戰。但想要讓自動駕駛汽車滿足所有的出行需求，這一場景必須解決，那在無引導線的左轉場景下，自動駕駛是如何進行軌跡規劃的？

無引導線的左轉需要哪些技術？

首先要明確一個核心問題，在無引導線場景中，軌跡規劃不再只是“沿著車道中心走”。車道邊界、道路幾何甚至道路使用者的意圖都可能不明確。系統必須在不確定性中做出選擇，即確定哪條路徑是“合法且合理”，在何時讓出優先權、何時進攻性地切入間隙、如何保證乘客舒適同時滿足動力學約束。實現這些目標，需要可靠的環境感知、準確的行為預測、穩健的行為決策（行為層規劃）以及滿足動力學與安全約束的軌跡生成與控制（軌跡層/運動層）等四個層次協同。

在感知層，自動駕駛首先要完成的是對環境要素的高精度檢測與跟蹤。攝像頭負責識別交通標志、路緣、人行道和車輛外形，雷達在遠距和惡劣天氣下提供速度向量，激光雷達（若裝備）能在三維點云中區分靜態障礙與動態目標。但是在“無引導線”場景中，車道邊界不能作為可靠參考，這時系統會把道路邊緣（路肩、門廊、人行道邊緣）以及其他道路使用者的走向作為替代參考。這一場景中，高精度定位（GNSS+IMU+視覺/激光定位）就非常重要，但在城市峽谷或隧道中高精度定位會出現漂移，因此傳感器融合要提供一個穩定的參考系，使后續的預測與軌跡規劃有一條可信的軌跡基準線。

預測層的目標是估計其他道路使用者在未來幾秒內可能的軌跡分布。在無引導線交叉口，其他車輛的行為更具多樣性，有人會減速讓行，有人會抓住小間隙穿過去，還有些可能會加速搶行。預測模型通常要輸出多模態的未來軌跡分布，每條軌跡帶有概率權重。這其中常見的技術包括基于軌跡歷史的物理模型、帶社會力或交互項的學習模型，以及結合地圖和意圖理解的混合模型。必須強調的是，預測的不確定性是軌跡規劃的核心輸入之一，決策層不會僅采用“最可能”軌跡來評估碰撞風險，而是要對多種可能性做魯棒（robust）處理，在概率空間上保證安全邊界。

行為決策層（或稱策略層）主要承擔“我要怎么做”的問題，即確定是等待、向前探頭、還是旋即轉入？在無引導線左轉中的決策過程往往比路徑細節更重要。決策器需要綜合法律規則（例如優先權）、當地駕駛文化（例如是否存在搶行現象）、實時交通密度、對方車輛速度與加速度趨勢，以及自身車輛的性能限制來判定是否接受某個時間間隔（gap）。很多系統采用基于規則加概率的混合方法，在明確的規則場景下先用規則裁決（如“讓行給迎面來車”），在規則模糊或場景復雜時引入基于代價/收益的優化或博弈模型來選擇最優策略。更高級的做法會以概率安全邊界為準——在任意預測下，選取能在給定置信度下避免碰撞的動作。

在軌跡生成層，系統需要把行為決策轉化為具體的時間參數化路徑（x(t),y(t),θ(t)），并保證該軌跡滿足車輛動力學與乘客舒適性約束同時避開預測的動態障礙。常見方法可以分為采樣生成與優化求解兩大類。采樣生成方法會在行為層給定的參考區域內生成大量候選軌跡（例如采樣不同曲率、不同速度曲線），對每條候選軌跡進行碰撞檢測、動力學可行性校驗和代價評估，最終選取最優解。優化方法則把軌跡生成看成帶約束的最優化問題，最小化一個或多個代價項（如軌跡偏離、加速度/加jerk懲罰、安全距離違約等），并通過數值求解器得到連續的軌跡。優化方法通常更平滑、參數更少，但對初始值和求解時間更敏感；采樣方法更具全局性，但計算量大、需要有效的候選篩選策略。

無引導線的左轉需要考慮哪些內容？

在無引導線的左轉中，軌跡的基準坐標系非常重要。很多系統采用Frenet坐標系在已有參考路徑上做橫向軌跡優化，但當參考路徑不存在時，必須先構造一個“臨時參考線”。這個參考線通常基于道路幾何（兩側道路中間連線或曲線擬合）和期望轉彎弧線（例如圓弧或clothoid曲線）生成。生成參考線時要考慮轉彎半徑和車輛的最小轉彎圈，同時預留給行人、自行車和其他車輛的安全空間。隨后在該參考線的Frenet坐標下優化速度曲線與橫向偏移，最終映射回全局坐標系。

對于汽車來說，安全是首要約束，在軌跡優化里常通過硬約束或高懲罰項來體現。硬約束直接禁止軌跡進入碰撞集合，而高懲罰項會在目標函數中強烈懲罰與其他物體間距過小的情況。在實際部署中，更有一種常用策略是先用保守的“安全包”（safety envelope）靜態過濾掉那些明顯危險的候選軌跡，然后在剩余空間里做更細粒度的優化。安全包的大小要與預測不確定性相匹配；當預測很不確定時，安全包放大，從而使決策更加保守。

時間尺度的選擇也很關鍵。車道保持或高速勻速行駛的軌跡可以以較長時間窗口規劃（例如510秒），但交叉口左轉這種即時性強、交互頻繁的場景，短期的高頻軌跡更新更重要。典型做法是采用分層時序，行為層決定在未來幾秒內的策略（等待或進入），軌跡層在更短的時間窗口（13秒）生成高分辨率軌跡供控制器跟隨。與此同時，系統對預測結果持續做在線修正，軌跡可以在執行過程中被打斷或重規劃，以應對突發變動。

在無引導線的左轉場景下進行實際決策時，一個常見且直觀的量度是“可接受的間隙（acceptable gap）”或“時間間隙（time gap）”。這個指標衡量當前對向或橫向來車與我方車輛之間的時間間隔是否足夠安全地完成左轉。工程上通常會把可接受間隙轉換成速度與加速度邊界：如果對向車需t秒才能到交叉點，而我方完成左轉需τ秒，則系統判斷可接受當t-τ>安全裕度。安全裕度并非常數，它受路況、能見度、本車加速能力、對方車輛加速行為預測和法律要求影響。在擁堵且低速的情形下，允許的時間差會小一些；在高速來車或能見度差時，系統會顯著提高安全裕度。

人車交互和非語言溝通在無引導線左轉時對人類司機也尤為重要。自動駕駛汽車缺少人類的眼神、手勢或點頭，因此需要通過其它手段與周圍交通參與者溝通其意圖。最基本的方式是標準化信號，開啟轉向燈是最直接的意圖表達，必要時車輛可以做輕微的前探（slow forward creep）以顯示進入意愿，同時在控制上保證隨時能夠緊急停車。某些研究與應用中也引入外顯信號燈或可視化屏幕向行人和駕駛員傳達“我讓行”或“我將轉彎”的信息，但這些仍屬于實驗性手段，普及度與法律認可度有限。因此，保守且清晰的信號策略與及時的姿態表達（例如穩定且可預期的減速曲線）是目前實用性最高的“溝通”方式。

談到模型和算法細節，不可忽視的是動力學與輪胎模型的限制。對于乘用車，常用的運動學單軌模型（kinematic bicycle model）和較為精細的動力學模型都可以用來保證軌跡可執行性。軌跡生成時會約束最大橫向加速度、最大縱向加速度與最大轉向角速度，避免出現車輛無法跟隨的軌跡。乘客舒適性也會被轉化為約束或代價項，加速度、加加速度（jerk）和橫向加速度的突變都會被懲罰，從而保證平滑的轉彎動作。

在高度不確定或對手行為難以預測時，概率與魯棒控制方法變得尤為重要。基于POMDP（部分可觀測馬爾科夫決策過程）的框架能夠在觀測不完全與行為不確定的情況下給出最優策略，但其計算復雜度通常很高，實際情況下，系統會采用近似方法或只在關鍵時刻使用。另一條工程化路徑是使用基于風險的優化，即定義一個風險函數，該函數衡量在軌跡執行期間出現碰撞或近碰的概率，并在優化中把風險控制在可接受閾值內。這樣，決策不僅考慮期望成本，也把尾部風險（低概率但高代價的事件）納入考慮。

數據驅動的方法正在快速發展，尤其是用來學習“人類可接受行為”的模型。通過對大量交通場景的數據學習，自動駕駛系統可以學到一些場景特有的隱含規則（例如某城市司機更愿意在特定情況下禮讓），進而生成更“社會化”的軌跡。然而，這類模型的可解釋性和可驗證性仍是挑戰。在安全關鍵的場景里，純學習方法通常需要與規則/物理模型結合，以便在極端情形下保持可預測與可控。

仿真與驗證是確保策略可行的最后一道防線。在實驗室中，系統會在大規模仿真環境中暴露于成千上萬種無引導線左轉情形，檢驗在各種天氣、能見度、道路幾何和其他車輛策略下的表現。仿真中需要覆蓋罕見但危險的角落案例，如一輛摩托車突然從路邊穿出或對向車輛急剎等場景一定需要涵蓋。真實道路測試則需要循序漸進，從封閉場地到低流量路段再到復雜城市路口，逐步放寬安全員干預。這種逐步驗證不僅是技術要求，也是合規與倫理的必須。

工程實踐中還有許多細節會影響自動駕駛汽車在無引導線的左轉場景下的最終表現。傳感器的安裝位置和視角決定了對交叉口的可視范圍，攝像頭與激光雷達的同步與時間戳對多傳感器融合至關重要。決策頻率要與控制器頻率匹配，過低會在高度動態場景里導致滯后，過高又會引發計算資源瓶頸。系統還需要對極端情況設計兜底策略，例如當傳感器數據不可信或突然出現傳感器故障時，應立即進入保守模式——如停在安全位置或緩慢退出交叉口，同時發出危險信號。

最后的話

總的來說，無引導線的無保護左轉不是單一算法能解決的問題，而是一個系統級挑戰。要做到既安全又高效，這就需要從感知到控制的端到端協同設計，感知提供可靠的世界模型，預測揭示多模態的未來，決策在規則與風險之間找到平衡，軌跡生成在動力學、舒適性與安全之間求解最優解。再加上良好的工程實現、全面的仿真驗證與謹慎的路測推進，自動駕駛車輛才能在這個看似簡單但充滿變數的場景里，像一個既謹慎又體貼的人類司機那樣完成左轉。

-- END --