基于学习的自动驾驶行为规划：真实世界集成与部署——arXiv 2608.12198 论文解读

论文标题： Learning-Based Behavior Planning for Automated Driving: Real-World Integration and Deployment
arXiv： 2608.12198
发布时间： 2026年8月
关键词： 自动驾驶行为规划、学习型规划、真实世界部署

核心创新

本文解决了基于学习的自动驾驶行为规划从实验室到真实世界部署的工程鸿沟问题，提出了一套完整的集成与部署框架。

1. 问题定义

1.1 规划层级

自动驾驶系统通常分为三层规划：

层级 功能 传统方法 学习型方法
路由规划 A到B的路线 Dijkstra/A* 无需学习
行为规划 变道/跟车/超车 状态机/规则 RL/IL
运动规划 具体轨迹 优化/MPC 学习型 MPC

本文聚焦行为规划层——决定车辆在交通场景中”做什么”。

1.2 实验室到真实世界的鸿沟

挑战 实验室环境 真实世界
传感器噪声 理想化 噪声、丢帧、延迟
行为多样性 脚本化场景 不可预测的人类行为
长尾场景 训练集覆盖 无限可能的新场景
实时性 无严格约束 <100ms 决策延迟
安全性 碰撞可接受 零碰撞要求

2. IMS 开发启示

2.1 DMS 与行为规划的协同

2.2 驾驶员状态到规划参数映射

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
class DriverStateToPlanningMapper:
    """将 DMS 驾驶员状态映射到行为规划参数"""
    
    def __init__(self):
        self.mapping = {
            'normal': {
                'following_distance': 2.0,   # 秒
                'speed_margin': 0.0,        # m/s
                'lane_change_aggressiveness': 0.5,  # 0-1
                'reaction_time_assumption': 0.5,    # s
            },
            'mild_fatigue': {
                'following_distance': 2.5,
                'speed_margin': -1.0,
                'lane_change_aggressiveness': 0.3,
                'reaction_time_assumption': 0.8,
                'dms_warning': 'Level 1'
            },
            'severe_fatigue': {
                'following_distance': 3.5,
                'speed_margin': -3.0,
                'lane_change_aggressiveness': 0.1,
                'reaction_time_assumption': 1.5,
                'dms_warning': 'Level 2',
                'adas_takeover_readiness': True
            },
            'distracted': {
                'following_distance': 3.0,
                'speed_margin': -2.0,
                'lane_change_aggressiveness': 0.2,
                'reaction_time_assumption': 1.2,
                'dms_warning': 'Level 1'
            },
            'impaired': {
                'following_distance': 4.0,
                'speed_margin': -5.0,
                'lane_change_aggressiveness': 0.0,
                'reaction_time_assumption': 2.0,
                'dms_warning': 'Level 3',
                'emergency_stop_readiness': True
            }
        }
    
    def update_planning(self, dms_state):
        """根据 DMS 状态更新规划参数"""
        return self.mapping.get(dms_state, self.mapping['normal'])

2.3 Euro NCAP L2+ 驾驶员参与要求

Euro NCAP 2026 对 L2+ 系统要求驾驶员参与度监控：

要求 DMS 角色 行为规划调整
驾驶员注意力 >80% 实时视线追踪 视线偏离时减速
检测到疲劳 PERCLOS 监控 增大跟车距离
检测到分心 视线/头部 准备接管
接管准备 认知状态评估 降级 ADAS 灵敏度
紧急接管 无响应检测 自动减速停车

3. 部署架构

3.1 DMS-ADAS 融合接口

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
class DMSADASFusionInterface:
    """DMS 与 ADAS 行为规划的融合接口"""
    
    def __init__(self):
        self.update_rate = 10  # Hz
        self.latency_budget = 50  # ms
        
    def get_driver_adjusted_planning_params(self, dms_output):
        """
        输入 DMS 结果，输出规划调整参数
        
        Args:
            dms_output: {
                'attention_score': 0-1,
                'fatigue_level': 'normal/mild/severe',
                'distraction_type': 'none/phone/passenger/external',
                'cognitive_load': 0-1,
                'response_time': float (seconds),
                'takeover_readiness': float (0-1)
            }
        Returns:
            planning_params: {
                'following_distance': float (seconds),
                'speed_limit_margin': float (m/s),
                'lane_change_allowed': bool,
                'adas_sensitivity': float (0-1),
                'takeover_ready': bool,
                'emergency_mode': bool
            }
        """
        attention = dms_output['attention_score']
        fatigue = dms_output['fatigue_level']
        cognitive = dms_output['cognitive_load']
        response = dms_output['response_time']
        
        # 综合安全评分
        safety_score = (attention * 0.3 + 
                       (1 - cognitive) * 0.3 +
                       (1 if fatigue == 'normal' else 0.5 if fatigue == 'mild' else 0.1) * 0.2 +
                       max(0, 1 - response) * 0.2)
        
        if safety_score > 0.7:
            return self._normal_params()
        elif safety_score > 0.4:
            return self._cautious_params(safety_score)
        elif safety_score > 0.2:
            return self._alert_params()
        else:
            return self._emergency_params()

4. 论文信息

  • arXiv: 2608.12198
  • 关键词: 自动驾驶、行为规划、真实世界部署、DMS-ADAS 协同