自动驾驶决策系统：功能框架与技术演进
在自动驾驶技术中，决策过程并非单一动作，而是一个层次分明的流程。系统首先在行为层确定目标，如变道、左转或减速跟车，随后在轨迹层将行为转化为具体的安全路径，最终由控制层执行路径跟踪。
设计决策系统时需兼顾多重目标，包括安全性（始终优先）、舒适性（避免晕车）、合法性（遵守交规）、效率性（避免不必要的低速）以及可解释性（便于事后追溯）。这些目标常存在冲突，例如最安全的选择可能牺牲效率，而最快的动作又可能带来风险。因此，系统的核心在于在这些目标之间找到合理平衡。
经典方法：分层决策与优化框架
长期以来，自动驾驶决策系统主要采用“分层+优化/采样”的方法。系统依据地图信息与当前交通状况，制定合理的策略，比如在交叉路口选择“等候再左转”还是“加速通过”，以保障行驶安全。
生成安全轨迹的主流方法包括采样类与优化类。采样类方法通过轨迹库或随机采样生成多个候选路径，根据碰撞风险、舒适度、法规等指标评估，选择最优解。这类方法直观但计算成本高，尤其在复杂场景下。
优化类方法则将轨迹建模为连续函数，通过拉格朗日优化、迭代线性二次调节（iLQR）或模型预测控制（MPC）寻找最优解。其中MPC因其能够整合动力学与约束条件，并采用滚动优化机制响应环境变化，被广泛采用。
符号化规则也被引入以增强安全性。Mobileye提出的Responsibility-Sensitive Safety (RSS) 就是一套数学化的“常识驾驶规则”，用于判断何时应采取防御措施，从而为系统提供白盒式安全保障。
在商用系统中，常设计“安全监管层”作为补充机制。该模块不负责轨迹生成，而是在主控模块出现潜在风险时进行干预或修正。近年来，学习模型与基于规则的安全模块的结合，逐渐形成“学习+可证明安全”的混合架构。
新兴趋势：联合建模与不确定性处理
当前行业趋势之一是模糊预测与规划之间的界限，将世界建模、多主体行为预测与轨迹生成进行紧密融合，甚至将规划整合进统一的学习框架。
Transformer架构因其在时序与交互建模方面的优势被广泛采用，如MTR与AgentFormer等系统展示了其在多主体、长时序轨迹预测中的卓越表现。自注意力机制使模型能捕捉交通参与者间的交互关系，生成更具多样性的未来轨迹。
扩散模型正被用于轨迹预测与生成任务。这类模型擅长从复杂分布中生成多样化的样本，有效表达未来的不确定性，生成的轨迹模式通常优于传统高斯混合模型。
另一个方向是采用BEV（Bird’s Eye View，俯视视角）表示方式。该方法将传感器数据（如相机、雷达、激光）投影为俯视图，使空间结构显式化，便于后续模块在统一空间内进行轨迹评估与优化。
此外，大型多模态模型也受到关注。一些企业尝试将视觉、点云、地图和语言信息整合到统一的神经网络中，以增强系统理解与推理能力。例如，Waymo与Google正探索将大模型应用于世界建模与轨迹生成。
这些趋势的共性在于更强调“联合建模”和“不确定性建模”。传统系统采用分层优化，信息在层间压缩传递。新方法则倾向于在端到端或半端到端框架中联合训练，以减少信息损失，并通过概率建模保留不确定性，使规划在面对多种未来可能时更稳健。
工程挑战：安全性、实时性与合规
尽管技术进步显著，决策系统在实际部署中仍面临诸多挑战。安全性与可验证性是关键问题，尤其是端到端学习模型因其“黑盒”特性，在极端场景下可能行为不可预测。
为此，系统中常保留可解释与可验证的模块，或通过学习模块外加安全层进行保障。例如，将实时MPC与控制屏障函数（CBF）结合，可在城市驾驶中提供可证明的安全性。
实时性与计算资源限制同样重要。扩散模型、大型Transformer与多模态模型对计算资源需求较高，而车载计算平台在功耗、延迟方面存在硬性限制。因此，通常采用混合策略，在边缘设备上部署轻量化模块进行快速响应，在云端使用大模型进行策略更新与训练。
边缘场景处理也是关键挑战之一。现实交通中，低概率高风险事件虽少，但必须具备有效应对机制。解决方案包括生成模拟数据、使用对抗训练与基于规则的安全边界等。
此外，自动驾驶系统的责任归属与伦理问题仍存争议。为增强公众信任，系统需具备透明性与可追溯性，如决策日志记录与解释性接口，以支持事后分析与法律审查。