在城市复杂路口场景中，规控系统需要处理与行人和非机动车的交互。请描述您如何设计一个基于风险评估的避障策略，以平衡安全性和驾驶舒适性，特别是针对突然出现的动态障碍物（Cut-in）。

吉利控股集团智能驾驶规控算法开发岗难度：困难

答案

这是一道典型的规控（Planning & Control）面试题，考察候选人对复杂动态环境下的决策能力、风险量化能力以及对驾驶舒适性的工程理解。

1) 【一句话结论】

我们设计一个分层风险评估模型，将概率碰撞风险（ $P_{coll}$ ）作为核心安全约束，并结合优化控制框架（如MPC），实时最小化加加速度（Jerk）和横向加速度，从而在紧急避障和日常行驶中实现安全与舒适的动态平衡。

2) 【原理/概念讲解】

要解决城市复杂路口的规控问题，核心在于如何量化“风险”和“舒适度”，并将它们融入决策循环。

1. 风险量化（Safety Metric）

传统的避障策略多依赖于时间碰撞（TTC）或最小安全距离（MSD），但这些是确定性指标，无法处理行人和非机动车固有的高不确定性。

核心概念：概率碰撞风险 ( $P_{coll}$ ) $P_{coll}$ $P_{co ll}$ 是指在预测周期内，自我车辆（Ego Vehicle）与障碍物（Ped/NMV）的预测轨迹发生重叠的概率。
- 如何计算： 我们需要对障碍物的未来状态（位置、速度、意图）进行高斯分布建模（即预测其位置的均值和方差）。 $P_{coll}$ 实际上是计算自我车辆的安全包络与障碍物的不确定性包络相交的体积。
- Cut-in场景应用： 当障碍物突然切入时，其预测轨迹的方差会迅速减小（因为它已经明确进入冲突区域），导致 $P_{coll}$ 瞬间飙升，触发紧急避障层。

2. 舒适度量化（Comfort Metric）

舒适度主要由车辆运动的平稳性决定，即对乘客身体冲击的程度。

核心概念：加加速度（Jerk） Jerk 是加速度对时间的变化率（加速度的导数）。高 Jerk 值意味着加速度变化剧烈，会引起乘客不适。
- 平衡点： 在非紧急情况下，我们必须严格限制纵向 Jerk（通常低于 $3-5 \text{ m/s}^3$ ）和横向加速度。但在Cut-in等高风险场景下，为了保证安全，系统必须允许短暂突破舒适度限制，以实现最大减速度。

3. 避障策略设计（分层决策）

规控系统通常采用分层结构：

上层（决策层）： 基于 $P_{coll}$ 阈值，决定当前处于何种状态（正常巡航、减速让行、紧急避让）。
下层（优化层）： 使用 Model Predictive Control (MPC) 或 Trajectory Optimization，在满足安全约束（ $P_{coll} < P_{coll, \text{max}}$ ）的前提下，最小化舒适度成本函数。

3) 【对比与适用场景】

特性	确定性避障策略（如TTC阈值）	概率风险评估策略（ $P_{coll}$ ）
定义	基于几何或时间硬约束，一旦满足条件即触发动作。	基于统计学和不确定性建模，量化冲突发生的可能性。
特性	反应迅速，但容易产生误触发（False Positive）。	鲁棒性高，能处理预测的不确定性，决策更平滑。
使用场景	高速公路（环境相对简单，障碍物运动可预测）。	城市复杂路口、人车混行区域（不确定性高）。
Cut-in处理	容易因阈值设置不当导致急刹或反应滞后。	能够通过不确定性包络的快速收缩，精准识别风险并分级响应。
注意点	难以平衡安全与舒适，缺乏平滑过渡。	依赖高精度的感知和预测模型，计算量较大。

4) 【示例】

在规控系统的优化层，我们使用一个基于风险的MPC框架。MPC的目标是找到一系列控制输入（加速度 $a$ 和转向角 $\delta$ ），使得在未来 $T$ 时间窗口内，以下成本函数 $J$ 最小化。

伪代码：基于风险的MPC成本函数

Minimize J = J_safety + J_comfort + J_efficiency

Subject to:
    // 运动学约束
    State_k+1 = f(State_k, Control_k)
    // 物理约束
    a_min <= a_k <= a_max
    Jerk_k <= Jerk_max_comfort  // 舒适度上限

// 1. 安全成本项 (J_safety)
// 惩罚任何高于安全阈值的概率碰撞风险
J_safety = Sum_{k=0}^{T} [ w_coll * max(0, P_coll(k) - P_coll_threshold)^2 ]
// 惩罚与障碍物的距离过近
J_safety += Sum_{k=0}^{T} [ w_dist * 1 / (Distance_to_Obstacle(k))^2 ]

// 2. 舒适度成本项 (J_comfort)
// 最小化纵向和横向的加加速度（Jerk）
J_comfort = Sum_{k=0}^{T} [ w_jerk_lon * Jerk_lon(k)^2 + w_jerk_lat * Jerk_lat(k)^2 ]
// 最小化加速度
J_comfort += Sum_{k=0}^{T} [ w_accel * (a_lon(k)^2 + a_lat(k)^2) ]

// 3. 效率成本项 (J_efficiency)
// 惩罚偏离参考路径和参考速度
J_efficiency = Sum_{k=0}^{T} [ w_path * Deviation_from_RefPath(k)^2 + w_speed * (V_ref - V_k)^2 ]

Cut-in 响应机制： 当 $P_{coll}$ 突然超过 $P_{coll, \text{threshold}}$ 时， $J_{safety}$ 项权重 $w_{coll}$ 会被动态放大。优化器被迫寻找一个能迅速降低 $P_{coll}$ 的轨迹，即使这意味着 $J_{comfort}$ 成本（Jerk）会暂时升高，从而实现紧急避障。

5) 【面试口播版答案】

（时长：约 90 秒）

“面对吉利智能驾驶规控算法的核心挑战——城市复杂路口的 Cut-in 场景，我的设计思路是构建一个基于概率风险评估的分层避障策略，以实现安全性和舒适性的动态平衡。

首先，在风险量化上，我们不能仅依赖传统的 TTC 或最小距离，因为行人和非机动车具有高不确定性。我建议使用概率碰撞风险 $P_{coll}$ 作为核心安全指标。通过感知和预测模块，我们对障碍物的未来轨迹进行不确定性建模，一旦自我车辆的安全包络与障碍物的不确定性包络重叠，系统就能计算出精确的碰撞概率。

其次，在决策与控制上，我们采用**模型预测控制（MPC）**框架。MPC 的目标函数将包含三个关键成本项：安全、舒适和效率。

针对安全性，我们将 $P_{coll}$ 作为一个硬约束或高权重惩罚项。针对舒适性，我们重点最小化纵向和横向的加加速度（Jerk），这是影响驾驶平顺性的最关键指标。

在处理Cut-in时，当障碍物突然切入，其 $P_{coll}$ 会瞬间飙升。此时，系统会动态提高安全成本项的权重，迫使优化器在极短时间内找到一个满足安全约束的轨迹，即使这需要短暂牺牲舒适度（即允许更高的 Jerk 值），从而确保紧急避障的成功。一旦风险解除，权重会恢复正常，系统平滑过渡回舒适驾驶模式。”

6) 【追问清单】

追问问题	回答要点
1. 如何处理感知和预测带来的不确定性，特别是针对行人的意图预测？	采用高斯过程或贝叶斯网络对障碍物状态进行建模，输出均值和协方差矩阵。将协方差矩阵直接输入 $P_{coll}$ 计算，确保规控系统能“感知”到预测的不确定程度。
2. 在紧急 Cut-in 场景下，如何确保 Jerk 限制不会导致避障失败？	采用分段 Jerk 限制。在 $P_{coll}$ 低于阈值时，严格执行舒适 Jerk 限制；一旦 $P_{coll}$ 超过紧急阈值，则切换到安全 Jerk 限制（即车辆硬件允许的最大 Jerk），优先保证 DAC（Deceleration to Avoid Collision）可行。
3. MPC 的实时性如何保证？城市路口需要极快的反应速度。	采用稀疏矩阵优化和实时迭代求解器（如 OSQP 或 HPIPM）。同时，可以采用分层 MPC：上层规划长周期粗略轨迹，下层控制使用更短周期和更简化的模型（如线性化模型）进行快速跟踪和局部避障。
4. 如何定义和调整 $P_{coll}$ 的安全阈值？	阈值应基于风险容忍度和场景速度动态调整。例如，在低速（< 10 km/h）时，可以容忍更高的 $P_{coll}$ ；在高速时，阈值必须严格收紧。阈值调整需要通过大量的影子模式测试和HIL/SIL 仿真进行标定。

7) 【常见坑/雷区】

序号	常见坑/雷区	解释及规避建议
1	只使用确定性指标（TTC/MSD）	城市环境不确定性高，仅用确定性指标会导致系统过于保守或反应滞后。应强调使用概率风险 $P_{coll}$ 。
2	忽略 Jerk，只关注加速度	舒适度由 Jerk 决定，仅限制加速度会导致加减速变化生硬。必须明确提到 Jerk 的最小化。
3	将安全和舒适视为对立面	优秀的规控系统应在成本函数中同时优化两者，而不是简单地二选一。应强调通过动态权重调整实现平衡。
4	未提及实时性或计算效率	MPC 计算量大，在 Cut-in 场景下需要毫秒级响应。必须提及使用高效求解器或分层控制结构。
5	对 Cut-in 场景的理解过于简单	Cut-in 不仅仅是距离近，更是意图的突然变化。回答时要强调预测模块如何快速识别这种意图变化，并体现在 $P_{coll}$ 的计算中。