為什么自動駕駛要做“預測”

自動駕駛汽車要安全行駛，光知道眼前有什么還不夠，更重要的是能預判接下來會發生什么。打個比方，開車的人不僅看前方的車位，還會判斷那輛車是不是要并線、那個行人是不是準備過馬路。自動駕駛也是這樣，如果只是把物體的位置和速度報出來，規劃器就只能被動反應，容易出現緊急制動、急拐或讓乘客覺得不舒服等情況。預測的核心價值是把“可能發生的未來”提前告訴決策層，讓車能提前準備，從而做出提前減速、放棄變道或慢慢避讓等決策，從而把突發情況變成可控事件。

預測不僅僅是讓自動駕駛系統可以思考，預測的時間尺度也很重要。像是未來1s~2s的短時間的預測，多半是根據當前速度和方向往前延伸就能大致估計，這是為了避免追尾等即時風險；而三到六秒、甚至十秒的預測，則需要理解對方的意圖，比如前方車輛是不是要進出口匝道，對面的騎車人是不是要拐彎。這兩類預測用到的技巧不一樣，短期更多靠物理和濾波，長期則要靠對道路語義和人車互動的理解。預測不是可選項，而是把“看見”變成“懂得可能發生什么”的必要能力。

自動駕駛是怎么做預測的？

想要讓自動駕駛汽車做好預測，首先得有靠譜的輸入。攝像頭、雷達、激光雷達會把周圍的物體“看”出來，然后跟蹤模塊把同一個目標在時間上連成軌跡，告訴系統這個目標現在在哪兒、速度多快、朝哪個方向。高精度地圖在這個環節中的作用也很關鍵，高精度地圖能告訴系統車道在哪兒、路口怎么連、哪里有人行橫道，這些信息可以把未來的可能性大幅縮小。沒有穩定的跟蹤和時間同步，預測的基礎就不牢。

想實現預測，其實有幾類比較直觀的辦法。最簡單的是把車輛或者行人當作遵循物理規律在走的“物體”，用當前速度和加速度往前推幾步，這種做法快、穩，短時間內的決策通常夠用。還有一種叫概率/濾波的方法，會把不確定性考慮進去，用數學工具維護“可能狀態”的分布，在遇到傳感器噪聲或遮擋時會更穩。第三種是靠數據學出來的方法，也就是現在比較火熱的深度學習。它們把歷史軌跡、地圖信息、周圍車輛的行為一股腦兒丟進模型，學習從復雜場景里直接輸出“未來可能的幾條軌跡”。這些學習方法能捕捉到禮讓、并線、繞行等策略性行為，但需要大量數據來訓練。

當然，在實際的交通環境中，交通參與者并不只會做一個的動作，比如在十字路口，一輛車可能直行也可能左轉，這就是所謂的多模態。因此在預測技術中，通常不會只給一條“最可能”的路，而是給幾條帶概率的候選軌跡，或者直接給出一個軌跡的概率分布。這樣做的好處是規劃器可以基于概率來做風險權衡，某條軌跡雖然最可能，但另一條低概率但高風險的軌跡會導致碰撞，系統就會選擇更保守的策略。與此同時，預測系統還要把模型沒見過的情況區分出來，也就是模型不確定性。如果模型對當前場景信心不足，系統應該主動變得保守，比如執行減速或請求人工接管的動作。

自動駕駛系統在預測時還有一個很關鍵的問題就是互動，路上的參與者會互相影響。比如準備變道的車會觀察旁邊車的速度，旁邊車的反應又會影響它的決策。把每個目標獨立預測通常會出問題，尤其是在人多、車多的城市路段，每個目標獨立預測通常沒有什么意義。因此現在常用的方法會把周邊對象的信息“聚合”起來，學習他們之間如何相互影響。有的用注意力機制把影響大的對象加權，有的把道路和車輛抽成圖結構，用圖神經網絡來傳播影響信息。總之，交互建模是讓預測更貼近真實行為的關鍵一步。

想要讓預測技術應用到實際，其實還有一個細節是如何表示這些信息。早期很多系統把場景渲染成鳥瞰的格子圖像（BEV），再用卷積網絡處理，這種方式直觀，但對表達長距離道路拓撲不夠高效。最近更流行把車道、路口這些用向量方式表示，結合圖網絡或基于矢量的Transformer，既節省計算又更符合道路的結構。在實際應用中多選擇模塊化方案，即感知先把結構化信息（物體、軌跡、地圖語義）產出來，預測模塊再用這些干凈的輸入做判斷，這樣利于驗證和可解釋。

把預測放到真實車上有何實際難題？

把一個預測模型從實驗室放到真車上，將會有很多問題。第一個是延遲，模型越復雜推理越慢，延遲會侵蝕決策時間窗，影響能否及時應對突發情況。第二個是算力，車上的計算資源有限，必須在精度和速度間取舍。第三個是驗證，光看預測模型訓練時的誤差指標完全不夠，必須把預測器放到整個感知—預測—規劃—控制的閉環里做仿真和路測，看看在預測出錯時整車系統是否還能保證安全。這種閉環評估比單獨看軌跡誤差更能發現真實風險。

對于預測模型來說，數據很重要但也很難。大多數危險的場景一般不會出現，真實道路上很難收集到足夠多的樣本。為了解決這個問題，在很多技術實現中會通過仿真合成或放大這些長尾場景來訓練和驗證，或者是做場景挖掘，把真實數據里出現的復雜場景抽出來作為重點測試用例。當然那，在這一環節中，標注也不能馬虎，軌跡標簽要時間對齊、定位準確，否則模型會學到錯的規律。

預測模型在運行時還需要有明確的守護策略。預測模塊要跟規劃模塊約定好接口，比如候選軌跡的數量、置信度怎么表達、當置信度低時采取的默認動作等。自動駕駛系統還要能檢測輸入分布漂移，如果當前遇到的場景和模型訓練時差別很大，系統應該自動觸發更保守策略。很多事故并不是單一模塊出錯，而是模塊之間對風險的理解不一致導致的連鎖反應，所以接口和降級策略的設計要在系統層面就考慮清楚。

最后的話

預測前方交通環境既是科學問題也是系統工程問題。它結合了物理規律、概率理論與大規模數據驅動方法，同時必須通過嚴謹的工程驗證與運行時守護來保證安全。一個既能輸出多模態候選又能提供可信置信度、并和規劃器協同做風險加權決策的預測—規劃閉環，才是真正具備落地能力的解決方案。

-- END --

       原文標題 : 自動駕駛汽車預測周圍環境是由哪些技術支撐的？