智能驾驶预决策是自动驾驶系统中的核心环节，主要承担对动态交通参与者行为意图的预测，并为后续决策规划提供多模态的可行策略集合。其技术要点可概括如下：

一、预决策模块的定位与输入

1.1技术定位

预决策模块位于感知层与规划层之间，需处理感知输出的结构化数据（如障碍物位置、速度、类型）及高精地图语义信息（车道拓扑、交通规则），通过多源数据融合推演未来5-10秒的交通场景演进趋势。

1.2输入要素

1. 静态要素：车道线拓扑、交通标志、可行驶区域等地图语义信息

2. 动态要素：车辆/行人运动轨迹、速度加速度、航向角等实时观测数据

3. 场景特征：路口类型、拥堵程度、特殊天气等上下文信息

二、关键技术实现路径

1.意图预测算法

1. 基于规则的预测：利用车辆所在车道、转向灯状态等显性特征判断行为意图（如左转车道车辆大概率转向）

1. 深度学习预测：采用LSTM、Transformer等模型学习历史轨迹模式，预测多模态概率分布轨迹

1. 博弈建模：通过部分可观测马尔可夫决策过程(POMDP)模拟多智能体交互策略

2.风险场构建

建立包含时空维度的综合风险模型，量化不同场景下碰撞风险、违规风险、舒适性损失等指标，生成风险热力图辅助策略筛选。例如针对高速切入场景，需动态评估目标车辆切入概率及安全避让时间窗

三、系统输出与应用

3.1预测结果表达

典型输出包括：

1. 目标对象未来轨迹的概率分布（如60%概率直行、30%概率变道）

2. 潜在冲突点时空坐标及风险等级评估

3. 推荐策略集合（跟驰、避让、车道保持等）及对应置信度评分

3.2与规划模块的协同

预决策结果将作为规划层的输入约束条件，例如：

1. 对于高概率切入车辆，提前生成减速或变道预案

2. 在十字路口根据行人过街意图调整通行优先级

3. 基于预测轨迹的时空占用栅格，优化局部路径的平滑性与安全性

四、技术发展趋势

1. 端到端融合：逐步消解传统模块化架构的误差累积问题，通过深度强化学习实现感知-预测-决策的联合优化

2. 增量学习应用：依托车路协同数据闭环，持续提升预测模型对长尾场景的泛化能力

3. 类人决策机制：引入认知科学理论构建心理博弈模型，提升复杂交通参与者的意图推理能力

五、总结

目前主流方案仍采用多模型融合架构，如Mobileye的RSS责任敏感安全模型与Waymo的ChauffeurNet深度网络相结合，在确保安全边界的同时提升场景适应能力。随着大语言模型在场景理解方面的突破，预决策系统正朝着更细粒度、更高解释性的方向发展

Mobileye的RSS责任敏感安全模型：