一系列‘条件轨迹’。
如果A车加速，我这样走；
如果A车减速，我那样走；
如果B车突然变道，我又该如何应对。
决策（DeCiSiOn）被隐含在了轨迹的生成过程中，而不是作为一个独立的、非此即彼的（变道/不变道）模块前置。
最终执行哪条轨迹，可以基于实时的感知预测更新，选择风险最低或综合收益最高的那条。
这或许能解决当前ALC在车流复杂时‘不敢变’或‘硬变’的尴尬，让变道行为更流畅、更拟人化，也更安全。”
“卧槽！”
陈奇惊没忍住当着徐总和姚总的面高呼了一声卧槽，但他浑然不觉。
只是死死盯着陈默，脸上充满了震惊和豁然开朗的表情。
时空联合规划，将预测的不确定性和规划的灵活性统一在一个优化框架内！
这思路...
这思路他妈的简直是给自动驾驶的决策规划领域投下了一颗核弹。
完美地击中了模块化PDP框架在复杂交互场景下决策犹豫或鲁莽的痛点！
他在特斯拉时，团队内部也曾讨论过类似模糊的想法，但从未有人能像陈默这样，清晰、系统、一针见血地提出可行的理论框架。
“陈总…”陈奇惊的声音有些干涩，带着由衷的叹服。
“这思路太精妙了，它从根本上尝试解决交互决策的连续性和不确定性难题。
将预测的多种可能性直接内化到规划的成本函数中，通过优化生成一系列条件策略...
这比当前主流的基于规则的状态机决策或简单的代价函数决策，在理论上更完备，潜力巨大！
虽然计算复杂度会飙升，实时性挑战极大，但...这绝对是通往更高阶自动驾驶的必经之路。
我请求立刻抽调精干算法工程师，成立预研小组！
就从ALC决策优化开始啃这块硬
本章未完，请点击"下一页"继续阅读！ 第2页 / 共4页