[首發于智駕最前沿微信公眾號]在自動駕駛領域，“先驗數據”指的是在車輛運行之前就已經獲取并可供系統使用的靜態或已知信息，相當于車輛駕駛的“經驗”或“環境背景知識”。這些信息不依賴于實時傳感器捕獲，而是通過離線測繪、模型推算或專家經驗事先準備好的。常見的先驗數據包括道路與車道的高精地圖、交通標志與信號的空間位置、道路交通規則、環境中固定障礙物的位置、以及車輛自身的標定參數和動力學模型等。

在自動駕駛系統中，先驗數據為感知與決策提供了重要的參考，使車輛能提前“知道”周圍環境的結構和規則，從而彌補了傳感器視野有限、天氣光照等因素帶來的感知缺陷，提高系統的魯棒性和安全性。簡而言之，先驗數據是自動駕駛系統在運行前預先獲取的環境和車輛模型信息，為后續的感知、定位、規劃和控制等模塊提供關鍵信息支持。

高精地圖（HDMap）

高精地圖是自動駕駛中最典型的先驗數據之一，其精度可達厘米級。與普通導航地圖相比，高精地圖包含如道路邊界、車道寬度和中心線、車道連通關系、交通標志燈桿位置、交叉口結構、停車線、人行橫道甚至周邊固定物體等更加豐富的路網語義信息和幾何細節。這些信息以地圖坐標系形式存儲，供車輛匹配定位和路徑規劃使用。

高精地圖可以看作是一種“虛擬傳感器”，它在車輛行駛之前就已經提供了環境幾何和拓撲的先驗知識，大幅拓展了感知系統的“視野”。當車輛行駛到如復雜十字路口時，即使攝像頭畫面中存在多個信號燈，高精地圖中預先標注的紅綠燈位置能幫助系統迅速判斷哪盞燈屬于本車道。在規劃階段，高精地圖提供準確的車道連接信息和限速標識，使自動駕駛系統能夠進行全局路徑規劃和安全決策。

可以說，高精地圖既是定位模塊的關鍵基準，又為感知和規劃模塊提供了上下文語義，提升車輛提前預知路況的能力。尤其是對于剛進入新城市的車輛，高精地圖中的當地道路信息相當于“老駕駛員”的經驗，有助于系統快速適應新環境。總之，高精地圖作為先驗數據，通過提前知道道路幾何和交通元素，為自動駕駛高精度定位、環境理解、決策規劃等提供了重要支撐和安全冗余。

車道及道路模型

車道模型是指對道路上各條車道幾何形狀和連接關系的數學或地圖化描述，其常被整合在高精地圖中。高精地圖的拓撲層（RoadGraph）詳細記錄了每條車道的類型（直行、左轉、右轉、輔路等）、連接關系、邊界線形狀等信息。這樣的車道信息是路徑規劃和變道決策的基礎，系統可以基于車道中心線或邊界線的曲率與延伸方向來規劃車輛軌跡，并評估變道的可行性。

如系統需要判斷當前車道是否允許變道，就要讀取該車道對應的車道線類型（實線或虛線）、是否有連續標線等信息。在感知模塊中，事先已知的車道幾何還可以幫助修正車道線檢測結果，使感知系統更易分辨車道位置。總之，車道模型為自動駕駛提供了道路層面的精細結構先驗，無論在多車道高速上還是復雜城市道路中，都指導車輛如何基于道路走向和車道變化做出行駛規劃和決策。

交通規則與標志信息

交通規則包括車速限制、讓行規則、禁止行為等人為制定的規范。相關內容通常以數字化規則或靜態標志的形式被載入先驗數據。高精地圖中經常標注各路段的限速值、車道用途（如公交專用車道）、紅綠燈和停車標志的位置等。

在決策與規劃階段，這些規則性信息告訴自動駕駛系統什么行為是合法的。例如，車輛在規劃路線時會考慮限速數據以選擇安全車速；在交叉路口面對紅燈或停車標志時，系統會依據地圖中的標志預知并做出停車或減速決策；變道時會參照虛線/實線標記確定是否允許變道。

可見，交通規則數據作為一種先驗約束，與當前感知信息一起約束車輛行為，使決策更符合法規要求。指出決策系統會“基于交通規則或駕駛經驗所組成的駕駛先驗知識”來選擇合適的行為，這恰是利用了這些先驗規則。交通規則的數字化先驗信息幫助自動駕駛車輛“懂得”人類駕駛規則，對確保行駛合法與安全至關重要。

靜態障礙物信息

靜態障礙物指道路環境中固定不動的物體，如護欄、護樹、路緣石、大型建筑物或長期停放的車輛等。通過高精地圖或環境掃描等方式，這些固定物體的位置和形狀可以作為先驗存儲下來。車輛在運行時感知到的實時障礙物信息可以與這些靜態先驗對比，幫助濾除無害物體并重點關注移動障礙。如果激光雷達探測到一組點云，地圖中已標注的路邊護欄信息能幫助系統判斷這些回波是否屬于護欄一類無需避讓的固定結構。此外，靜態障礙位置也有助于定位（如利用建筑角做地標）和全局規劃（避免已知障礙區域）。總之，靜態障礙物的先驗數據增強了感知的準確性和可靠性，使系統能更好地區分固定環境與潛在危險。

傳感器標定數據

傳感器標定數據是指車載傳感器（如攝像頭、激光雷達、毫米波雷達、GPS/IMU等）的內參和外參參數。內參包括相機焦距、畸變系數等；外參描述傳感器與車輛坐標系之間的位置和姿態關系。標定過程通常在系統部署前進行，以獲得精確的傳感器安裝參數。

這些標定參數是系統運行的先驗信息，它們被寫入系統后用于實時數據融合和定位。多傳感器融合需要知道各傳感器坐標系之間的變換，才能將來自攝像頭的影像和激光雷達點云統一到車身坐標系下進行準確匹配。傳感器外參標定“需要借助先驗信息，如工裝信息或環境信息”來確定傳感器位姿。標定數據還影響控制模塊，車輛動力學模型需要結合精確的輪胎安裝參數才能正確計算控制量。簡而言之，標定數據作為先驗信息構成了傳感器數據解釋的基礎，是感知、定位與控制模塊正確運行的前提。

車輛動力學模型

車輛動力學模型描述車輛運動時遵循的如質量、重心分布、輪胎特性、空氣阻力等參數物理規律。這些模型參數通常在車輛設計或測試階段通過實驗得到，并作為先驗存儲。動力學模型在規劃和控制階段起關鍵作用，規劃器可以根據車輛的加速度極限和轉向響應來生成可行軌跡；控制器則利用動力學模型預測車輛執行當前指令后的未來狀態，計算出合適的油門、剎車或轉向輸出。如運動學單軌模型、全動力學模型等，都依賴已知的車輛參數來保證速度和路徑跟蹤的精度。因此，車輛動力學模型也是一種先驗數據，它使得高級控制算法能夠考慮車輛物理能力，保證控制指令安全、平滑地實施。

先驗數據在自動駕駛各模塊的應用

感知模塊：利用先驗數據可以校正和約束實時感知結果。高精地圖中的交通標志、路緣位置等信息可以與攝像頭或雷達檢測結果對比，提高識別精度；靜態障礙先驗可濾除固定環境特征；傳感器標定信息確保多傳感器感知數據空間上的一致性。

定位模塊：高精地圖與GPS/IMU/視覺里程計等數據融合，實現厘米級定位；地圖中的靜態路標和路面特征為定位提供錨點。標定數據保證傳感器測量的正確坐標轉換。

規劃模塊：全局路徑規劃利用道路網絡和車道連通信息；局部軌跡規劃參考車道模型和車輛動力學約束生成平滑軌跡。交通規則（限速、禁止標志）引導路線選擇和速度規劃。

決策模塊：先驗規則（如交叉口讓行、紅綠燈規則）與地圖語義共同約束決策策略。系統會結合地圖知曉的路口結構和信號燈狀態，提前作出“變道”、“停車”等決策。

控制模塊：車輛動力學模型作為先驗確保控制命令物理可行，如速度控制遵循加速度極限。標定數據使控制器正確解讀傳感器反饋，完成準確跟蹤。

總結

不同場景下先驗數據與實時感知相輔相成，靜態信息給出道路結構和規則的“骨架”，而傳感器在此基礎上補充動態環境的“血肉”，二者協同使自動駕駛系統在復雜路況中既保持了環境感知的及時性，也享受到了先驗知識帶來的預判優勢。