自动驾驶中常提的“先验数据”是个啥？主要用在哪些方面？

[首发于智驾最前沿微信公众号]在自动驾驶领域，“先验数据”指的是在车辆运行之前就已经获取并可供系统使用的静态或已知信息，相当于车辆驾驶的“经验”或“环境背景知识”。这些信息不依赖于实时传感器捕获，而是通过离线测绘、模型推算或专家经验事先准备好的。常见的先验数据包括道路与车道的高精地图、交通标志与信号的空间位置、道路交通规则、环境中固定障碍物的位置、以及车辆自身的标定参数和动力学模型等。

在自动驾驶系统中，先验数据为感知与决策提供了重要的参考，使车辆能提前“知道”周围环境的结构和规则，从而弥补了传感器视野有限、天气光照等因素带来的感知缺陷，提高系统的鲁棒性和安全性。简而言之，先验数据是自动驾驶系统在运行前预先获取的环境和车辆模型信息，为后续的感知、定位、规划和控制等模块提供关键信息支持。

高精地图（HDMap）

高精地图是自动驾驶中最典型的先验数据之一，其精度可达厘米级。与普通导航地图相比，高精地图包含如道路边界、车道宽度和中心线、车道连通关系、交通标志灯杆位置、交叉口结构、停车线、人行横道甚至周边固定物体等更加丰富的路网语义信息和几何细节。这些信息以地图坐标系形式存储，供车辆匹配定位和路径规划使用。

高精地图可以看作是一种“虚拟传感器”，它在车辆行驶之前就已经提供了环境几何和拓扑的先验知识，大幅拓展了感知系统的“视野”。当车辆行驶到如复杂十字路口时，即使摄像头画面中存在多个信号灯，高精地图中预先标注的红绿灯位置能帮助系统迅速判断哪盏灯属于本车道。在规划阶段，高精地图提供准确的车道连接信息和限速标识，使自动驾驶系统能够进行全局路径规划和安全决策。

可以说，高精地图既是定位模块的关键基准，又为感知和规划模块提供了上下文语义，提升车辆提前预知路况的能力。尤其是对于刚进入新城市的车辆，高精地图中的当地道路信息相当于“老驾驶员”的经验，有助于系统快速适应新环境。总之，高精地图作为先验数据，通过提前知道道路几何和交通元素，为自动驾驶高精度定位、环境理解、决策规划等提供了重要支撑和安全冗余。

车道及道路模型

车道模型是指对道路上各条车道几何形状和连接关系的数学或地图化描述，其常被整合在高精地图中。高精地图的拓扑层（RoadGraph）详细记录了每条车道的类型（直行、左转、右转、辅路等）、连接关系、边界线形状等信息。这样的车道信息是路径规划和变道决策的基础，系统可以基于车道中心线或边界线的曲率与延伸方向来规划车辆轨迹，并评估变道的可行性。

如系统需要判断当前车道是否允许变道，就要读取该车道对应的车道线类型（实线或虚线）、是否有连续标线等信息。在感知模块中，事先已知的车道几何还可以帮助修正车道线检测结果，使感知系统更易分辨车道位置。总之，车道模型为自动驾驶提供了道路层面的精细结构先验，无论在多车道高速上还是复杂城市道路中，都指导车辆如何基于道路走向和车道变化做出行驶规划和决策。

交通规则与标志信息

交通规则包括车速限制、让行规则、禁止行为等人为制定的规范。相关内容通常以数字化规则或静态标志的形式被载入先验数据。高精地图中经常标注各路段的限速值、车道用途（如公交专用车道）、红绿灯和停车标志的位置等。

在决策与规划阶段，这些规则性信息告诉自动驾驶系统什么行为是合法的。例如，车辆在规划路线时会考虑限速数据以选择安全车速；在交叉路口面对红灯或停车标志时，系统会依据地图中的标志预知并做出停车或减速决策；变道时会参照虚线/实线标记确定是否允许变道。

可见，交通规则数据作为一种先验约束，与当前感知信息一起约束车辆行为，使决策更符合法规要求。指出决策系统会“基于交通规则或驾驶经验所组成的驾驶先验知识”来选择合适的行为，这恰是利用了这些先验规则。交通规则的数字化先验信息帮助自动驾驶车辆“懂得”人类驾驶规则，对确保行驶合法与安全至关重要。

静态障碍物信息

静态障碍物指道路环境中固定不动的物体，如护栏、护树、路缘石、大型建筑物或长期停放的车辆等。通过高精地图或环境扫描等方式，这些固定物体的位置和形状可以作为先验存储下来。车辆在运行时感知到的实时障碍物信息可以与这些静态先验对比，帮助滤除无害物体并重点关注移动障碍。如果激光雷达探测到一组点云，地图中已标注的路边护栏信息能帮助系统判断这些回波是否属于护栏一类无需避让的固定结构。此外，静态障碍位置也有助于定位（如利用建筑角做地标）和全局规划（避免已知障碍区域）。总之，静态障碍物的先验数据增强了感知的准确性和可靠性，使系统能更好地区分固定环境与潜在危险。

传感器标定数据

传感器标定数据是指车载传感器（如摄像头、激光雷达、毫米波雷达、GPS/IMU等）的内参和外参参数。内参包括相机焦距、畸变系数等；外参描述传感器与车辆坐标系之间的位置和姿态关系。标定过程通常在系统部署前进行，以获得精确的传感器安装参数。

这些标定参数是系统运行的先验信息，它们被写入系统后用于实时数据融合和定位。多传感器融合需要知道各传感器坐标系之间的变换，才能将来自摄像头的影像和激光雷达点云统一到车身坐标系下进行准确匹配。传感器外参标定“需要借助先验信息，如工装信息或环境信息”来确定传感器位姿。标定数据还影响控制模块，车辆动力学模型需要结合精确的轮胎安装参数才能正确计算控制量。简而言之，标定数据作为先验信息构成了传感器数据解释的基础，是感知、定位与控制模块正确运行的前提。

车辆动力学模型

车辆动力学模型描述车辆运动时遵循的如质量、重心分布、轮胎特性、空气阻力等参数物理规律。这些模型参数通常在车辆设计或测试阶段通过实验得到，并作为先验存储。动力学模型在规划和控制阶段起关键作用，规划器可以根据车辆的加速度极限和转向响应来生成可行轨迹；控制器则利用动力学模型预测车辆执行当前指令后的未来状态，计算出合适的油门、刹车或转向输出。如运动学单轨模型、全动力学模型等，都依赖已知的车辆参数来保证速度和路径跟踪的精度。因此，车辆动力学模型也是一种先验数据，它使得高级控制算法能够考虑车辆物理能力，保证控制指令安全、平滑地实施。

先验数据在自动驾驶各模块的应用

感知模块：利用先验数据可以校正和约束实时感知结果。高精地图中的交通标志、路缘位置等信息可以与摄像头或雷达检测结果对比，提高识别精度；静态障碍先验可滤除固定环境特征；传感器标定信息确保多传感器感知数据空间上的一致性。

定位模块：高精地图与GPS/IMU/视觉里程计等数据融合，实现厘米级定位；地图中的静态路标和路面特征为定位提供锚点。标定数据保证传感器测量的正确坐标转换。

规划模块：全局路径规划利用道路网络和车道连通信息；局部轨迹规划参考车道模型和车辆动力学约束生成平滑轨迹。交通规则（限速、禁止标志）引导路线选择和速度规划。

决策模块：先验规则（如交叉口让行、红绿灯规则）与地图语义共同约束决策策略。系统会结合地图知晓的路口结构和信号灯状态，提前作出“变道”、“停车”等决策。

控制模块：车辆动力学模型作为先验确保控制命令物理可行，如速度控制遵循加速度极限。标定数据使控制器正确解读传感器反馈，完成准确跟踪。

总结

不同场景下先验数据与实时感知相辅相成，静态信息给出道路结构和规则的“骨架”，而传感器在此基础上补充动态环境的“血肉”，二者协同使自动驾驶系统在复杂路况中既保持了环境感知的及时性，也享受到了先验知识带来的预判优势。