在Apollo自动驾驶框架中，超车、绕行、跟车等行为是决策（Behavior Planning）与路径规划（Motion Planning）协同作用的结果，其流程遵循分层决策机制，但并非简单的“先决策后执行”，而是通过动态交互实现的。以下是具体流程和关键逻辑：

1. 整体流程：分层决策与规划

Apollo的决策规划模块分为Behavior Planner（决策层）和Motion Planner（运动规划层），两者通过参考线（Reference Line）和动态障碍物交互信息紧密耦合：

1. Behavior Planner（决策层）

• 输入：感知数据（障碍物、车道线）、定位、高精地图、交通规则。
• 输出：高层行为决策（如LANE_FOLLOW、OVERTAKE、SIDEPASS）。
• 关键逻辑：
• 基于规则（Rule-Based）或机器学习（如ML-based预测）生成初步决策。
• 不直接输出轨迹，而是通过生成虚拟障碍物（Virtual Obstacle）或修改参考线属性（如目标车道、速度限制）传递给Motion Planner。
• 示例：超车决策会标记目标车辆为“待超越”，并指定目标车道的参考线优先级。

2. Motion Planner（运动规划层）

• 输入：Behavior Planner的决策、参考线、动态障碍物预测轨迹。
• 输出：最终可执行的轨迹（Path + Speed）。
• 关键逻辑：
• Lattice/EM Planner根据决策层意图生成具体轨迹。
• 若决策不可行（如超车时目标车道突然出现障碍物），Motion Planner会反馈冲突，触发决策层重新规划。

2. 超车/绕行/跟车的具体流程

(1) 超车（Overtake）

• 决策层：
• 检测前车速度低于阈值，且相邻车道满足超车条件（无对向车、车道线允许）。
• 生成OVERTAKE指令，并绑定目标车道的参考线（Reference Line）。
• 规划层：
• Lattice Planner在目标参考线附近采样轨迹，评估安全性（如与对向车距离）、舒适性（加速度平滑）。
• 若采样失败（如无法找到无碰撞轨迹），反馈给决策层，可能降级为FOLLOW。

(2) 绕行（SidePass）

• 决策层：
• 检测静态障碍物（如抛锚车辆），决策SIDEPASS并指定绕行方向（左/右）。
• 在参考线上插入虚拟车道（Virtual Lane）临时扩展道路边界。
• 规划层：
• 基于虚拟车道生成绕行轨迹，代价函数中增加“偏离原车道”的权重，确保绕行后回归原车道。

(3) 跟车（Follow）

• 决策层：
• 计算与前车的安全距离（IDM模型），决策FOLLOW并设定期望跟车速度。
• 规划层：
• 采用ST-Graph（速度-时间图）优化，保持安全距离的同时避免急刹。

3. 关键交互机制

• 参考线动态更新：
  Behavior Planner通过选择不同的参考线（如本车道vs.超车道）间接影响路径规划，而非直接指定轨迹。
• SL/TK坐标系转换：
  Motion Planner在**Frenet帧（SL坐标系）**下评估轨迹，将Behavior决策转换为纵向（S）和横向（L）的约束条件。
• 反馈循环：
  若Motion Planner无法满足当前决策（如超车轨迹碰撞风险高），会通过PlanningStatus反馈，触发决策层重新评估（如改为跟车）。

4. 与“确认滑”的关系

• 无严格“确认滑”：Apollo的决策和规划是持续迭代的（每10ms~100ms循环），而非一次性确认。
• 例外情况：在交互式场景（如无保护左转）中，决策层可能通过Yield或Stop指令等待外部车辆响应，此时规划层会生成保守轨迹（如减速停车）。

总结

Apollo的超车/绕行/跟车行为是决策与规划动态协作的结果：

1. 决策层提供高层意图和参考线约束；
2. 规划层生成具体轨迹，并反馈可行性；
3. 两者通过参考线、虚拟障碍物和状态机实现闭环。

优势：灵活性高，适应动态环境；挑战：需精细调参以避免决策振荡（如频繁切换超车/跟车）。