决策系统的「认知-执行」解耦：一场被低估的技术革命

很多人以为智能驾驶的决策系统是「感知-规划-控制」的线性串联，其实不然。邓伟文团队在2023年ICRA（国际机器人与自动化会议）上提出的「认知-执行」解耦架构，正在重塑行业对决策系统底层逻辑的理解——传统方案将环境理解与行为决策强耦合，导致系统在复杂场景下易陷入「感知过载-决策瘫痪」的恶性循环，而解耦架构通过分离高阶语义推理与低阶运动控制，使系统在杭州湾跨海大桥的暴雨场景测试中，决策延迟降低42%，路径跟踪误差缩小至0.3米以内。

案例：宁波绕城高速的「幽灵堵车」破解

2024年3月，邓伟文团队在宁波绕城高速进行的实车测试中，遭遇典型的「幽灵堵车」场景：前方200米处因事故导致车道封闭，但传统决策系统因依赖「感知-规划」的短时反馈链，在距离封闭点80米时才触发变道，此时后车已形成密集车流，变道成功率不足30%。

底层逻辑是：解耦架构通过「认知模块」提前300米识别车道封闭风险（基于多车轨迹聚类与道路拓扑推理），并生成「保持当前车道」「提前变道至最外侧车道」「等待内侧车道空隙」的三级策略库；「执行模块」则根据实时车流密度、自身速度、变道成本等参数，动态选择最优策略。最终测试中，系统在距离封闭点150米时即完成变道，成功率提升至92%，且未引发后续车流的连锁反应。

听起来可能反直觉，但在高动态交通场景中，决策系统的「预判能力」比「反应速度」更重要。传统方案依赖的「感知-规划-控制」闭环，本质是「事后修正」模式，而解耦架构的「认知预判+执行优化」双链路，实现了「事前规避」与「事中调整」的协同——这解释了为何在2024年C-NCAP（中国新车评价规程）的AEB（自动紧急制动）测试中，搭载该架构的车型在「前车急停+侧方车辆加塞」的复合场景下，制动距离比行业平均水平缩短1.8米。

技术突破的背后，是邓伟文团队对「决策不确定性」的量化建模。通过引入贝叶斯推理网络，系统能实时评估「变道成功率」「被追尾风险」「通行效率损失」等关键指标的概率分布，而非依赖确定性的阈值判断。这种「概率化决策」模式，使系统在2024年6月上海国际赛车场进行的「极限跟车」测试中，能在保持0.5秒跟车时距的同时，将因前车急刹导致的追尾风险从12%降至2.3%——这一数据已接近人类职业车手的水平。