1. 项目概述：自动驾驶决策中的意图预测挑战
在自动驾驶系统的决策层设计中，交通参与者（车辆、行人等）的意图预测一直是核心难点。传统方法往往假设感知数据绝对准确，直接使用确定性模型进行预测，这在实际复杂道路场景中会导致决策失误。我们团队基于Apollo平台开发的这套不确定性建模方案，首次将概率图模型与深度学习预测网络相结合，通过实时量化意图预测的不确定性范围，显著提升了变道、路口通行等场景的决策安全性。
这个方案最关键的创新点在于：不是简单地预测"前方车辆有80%概率左转"，而是计算出"左转概率在75-85%之间"的置信区间。这种区间估计能力让决策模块能更智能地处理边缘情况——当预测不确定性超过阈值时，系统会自动采取更保守的行驶策略。实测表明，在能见度低的雨天场景中，该方案将误判率降低了37%。
2. 核心架构设计
2.1 双层不确定性建模框架
我们的系统采用物理层+行为层的双层建模架构：
- 物理层不确定性：通过贝叶斯神经网络处理传感器噪声，输出运动轨迹的概率分布。这里特别改进了Apollo原有的卡尔曼滤波器，用蒙特卡洛dropout方法实时计算位置预测的方差。
- 行为层不确定性：基于LSTM+Attention的预测网络，其创新点在于：
class IntentPredictor(nn.Module): def forward(self, x): # 使用MC Dropout产生多组预测结果 outputs = [self.dropout_lstm(x) for _ in range(20)] mean = torch.mean(outputs, dim=0) var = torch.var(outputs, dim=0) return mean, var # 返回预测分布的参数
2.2 不确定性传播机制
当预测结果传递到决策模块时，系统会进行不确定性传播计算：
- 通过Jensen-Shannon散度量化不同意图假设间的可区分度
- 当最大概率意图的置信区间下限<60%时，触发"高不确定性"应对策略
- 决策树会根据不确定性水平动态调整跟车距离和变道时机
关键技巧：在Apollo的planning模块中，我们修改了reference_line_provider的权重计算逻辑，使不确定区域的路径规划偏向保守侧。
3. 仿真验证方案
3.1 自定义场景生成
为充分测试系统性能，我们开发了基于CARLA的增强型测试框架：
- 通过Frenet坐标系注入可控噪声，模拟传感器误差
- 设计了四类典型边缘场景：
场景类型 不确定性来源 测试重点 遮挡跟车 部分观测 预测稳定性 激进加塞 行为突变 响应速度 模糊手势 意图冲突 多模态处理 恶劣天气 感知退化 容错能力
3.2 评价指标体系
不同于传统准确率指标，我们定义了三个维度：
- 可靠性：预测区间覆盖率（PICP）应>90%
- 敏锐度：区间宽度（MPIW）需<0.15
- 决策质量：在Uncertainty-Aware Metric中：
UAM = \frac{安全干预次数}{总测试里程} \times \frac{平均通行效率}{基准值}
4. 工程实现关键点
4.1 Apollo框架适配
在Apollo 6.0上的主要修改包括：
- 在prediction模块新增UncertaintyEstimator子模块
- 修改planning的EM planner决策树，增加不确定性分支判断
- 为Cyber RT增加实时性监控，确保计算延迟<80ms
4.2 性能优化技巧
- 模型蒸馏：将教师模型（计算量大）的不确定性知识蒸馏到轻量学生模型
- 缓存机制：对稳定跟踪目标复用上一帧的不确定性计算结果
- 硬件加速：使用TensorRT优化LSTM前向推理速度
5. 典型问题排查指南
我们在测试中遇到的三大典型问题及解决方案：
预测区间过宽：
- 检查训练数据的标注一致性
- 调整LSTM的dropout率（建议0.2-0.3）
- 增加轨迹平滑项的权重
决策过于保守：
- 校准不确定性阈值（建议0.6-0.7）
- 在planning_config.pb.txt中调整：
uncertainty_config { max_deceleration: 2.5 # 最大减速度(m/s^2) safe_time_buffer: 1.2 # 安全时间缓冲(s) }
实时性不达标：
- 启用Apollo的模型量化工具
- 限制同时预测的交通参与者数量（建议≤5）
- 关闭debug日志输出
6. 实际部署经验
在苏州RoboTaxi车队部署时，我们发现两个教科书不会写的细节：
早晚高峰时需要对摩托车特别处理——它们的运动模式与汽车差异较大，我们单独训练了摩托车预测模型，并将它们的预测不确定性基线值调高了20%。
雨天环境下，激光雷达的测距误差会导致不确定性计算失真。解决方案是在perception模块输出中增加天气置信度分数，作为不确定性模型的先验输入。
这套系统目前已在300+辆测试车上运行，最令人满意的不是技术指标提升，而是人类安全员接管次数下降了53%——这意味着乘客体验的实质性改善。未来计划将不确定性输出可视化，帮助研发人员更直观地理解系统决策逻辑。
