双过程框架让自动驾驶在红灯闯行场景中把碰撞从48次降到5次

提出一种混合架构，把端到端神经网络规划器与基于符号推理的模型预测控制规划器结合，前者负责常规场景的类人轨迹，后者在分布外场景显式考虑安全标准、交通规则与社会规范。 相对纯神经网络规划器，该架构引入显式的推理式安全层，用于应对训练数据中代表性不足的新颖情形。 在CARLA仿真中实现并测试，覆盖闯红灯这一分布外场景类别，含普通车辆与救护车两种对手车型。

设计元认知组件，用知识图谱推理出的上下文风险场评估神经网络预测轨迹的安全性与社会合意性，并以最大风险值超过经验阈值0.7作为切换依据。 不同于以往基于新颖性或不确定性的近似切换指标，该组件直接以风险场这一实际风险度量来评分轨迹，并能识别更复杂的交通规则与社会规范。 知识图谱用TypeDB 3.0实现，规则以带优先级的默认规则形式编码，涵盖车道线跨越、对象风险等级、车道可行驶性与路口优先权四类规则。

在CARLA中对闯红灯场景进行160次参数组合测试，带元认知组件的系统仅发生5次车对车碰撞，而不带该组件的TransFuser++为48次，作为对比的TFv6为8次。 相对纯神经网络规划器，车对车碰撞减少89%，并提升了对特殊路权规则的遵守程度。 测试系统性地变化了触发距离、对手车速、对手车型与路口类型，并与一个当前先进基线模型进行了对照。

带元认知组件的系统出现7次与道路布局的碰撞和1次越出车道，均发生在元认知介入转向避让对手车辆时，原因是模型预测控制生成的轨迹所需转向角超出车辆当时可执行的转向角。 揭示了推理式安全层介入时，规划器意图转向角与PID控制器实际执行角之间的匹配问题。 该现象在仿真中被具体定位到Scenario 4，并给出了介入时刻的示例。

该框架面向城市路口场景中自动驾驶系统应对分布外情形这一设定，尤其是对手车辆闯红灯（含救护车）的情形。它使研究者与工程团队能够把显式交通规则与社会规范编码进风险场，并据此在神经网络规划器与模型预测控制规划器之间切换。元认知组件与模型预测控制规划器共用同一套风险场，因此规则一旦更新，切换判据与安全规划会同步变化。该结果适用于仿真环境中的验证，作者也指出未来工作将整合更先进的运动预测模型、采用更有原则的方式推导元认知决策阈值、改善计算时间并把方法扩展到其他交通场景。

元认知决策阈值0.7为经验确定，作者在结论中把更有原则地推导该阈值列为未来工作，因此该阈值在其他场景下的适用性仍是开放问题。感知输入混合了TransFuser++的随机边界框预测与仿真中完美传感器的真值数据，且车辆与紧急车辆的区分基于真值，这使感知不确定性对切换判据的影响尚待厘清。由于元认知组件与模型预测控制优化的计算开销，仿真的有效时间步由框架执行时间决定，运行速率慢于实时，实时可行性仍是开放问题。带元认知组件的系统出现的7次道路布局碰撞与1次越出车道，指向规划器意图转向角与PID控制器实际执行角之间的匹配问题，作者也指出这体现了正确调参模型预测控制的挑战。此外，实验仅覆盖闯红灯一类分布外场景，其他分布外情形的表现有待检验。