阅读约8分钟 | 关键词：规则驱动、学习驱动、无保护转弯、决策冲突、人机共驾
新闻背景
2026年6月，第三方媒体对小米YU7的城市NOA进行了一次摸底测试。在13号路口进行无保护右转时，车辆行进到一半，面对侧向直行车辆及非机动车出现明显犹豫，在半转弯状态下减速甚至短暂停车，直至后方车辆鸣笛催促，驾驶员主动轻踩电门辅助通过。
几乎同期，特斯拉FSD v14.3.4被曝因导航问题频繁出错——拐错弯、错过高速出口，甚至把车导向建筑物的后门。不合理的路线规划扰乱了AI的决策逻辑，导致车辆行驶迟疑、频繁触发人工接管。
2026年城市NOA渗透率已达15.1%，但实测显示，主流系统在复杂路口通过率仅70%-99.5%。问题不在于“能不能用”，而在于——为什么越聪明的系统，在老司机都头疼的路口反而越容易懵？
今天，我们结合第47天的决策架构知识，剖析路口犹豫背后的技术困局。
🚦 一、无保护路口：决策架构的“照妖镜”
无保护路口（没有红绿灯或左转专用灯，需自行判断对向车流）是自动驾驶最复杂的场景之一。它要求系统同时处理：对向直行车流的速度与间隙判断、行人/非机动车的突然窜出、以及自车在路口中央的“存在感”博弈。
规则驱动的逻辑是：预定义一套“何时能走”的判断标准（如“对向无车且距离大于X米则通过”）。但标准设得太保守，车永远等不到机会；设得太激进，可能引发事故。
学习驱动的逻辑是：从人类驾驶数据中学习“什么时候该抢、什么时候该让”。它更灵活，但在训练数据未覆盖的“边缘场景”中可能输出不可预测的行为。
当两者在路口中央产生冲突时，就出现了小米YU7那种“走到一半突然犹豫”的尴尬场面。
🧩 二、为什么会在路口中央“卡住”？
感知层的失真传导至决策层。激光雷达、毫米波雷达、摄像头在复杂路口的输出常常不一致——激光雷达说“前方有障碍”，毫米波雷达却因角分辨率低将其判为“护栏”，系统陷入逻辑死胡同。当输入本身矛盾时，无论决策架构多先进，输出都可能是“不知道该干嘛”。
规则与学习的“拔河”。学习网络可能判断“可以走”，但规则系统检测到某个风险指标（如侧向车辆距离略低于阈值），强制介入减速。结果就是车辆在路口中央“半推半就”——学习说走，规则说停，最后谁也没赢。
“归纳学习”的天然局限。端到端大模型本质仍是归纳学习——只能处理见过或类似的数据。面对中国特有的复杂路口布局、非标准标线、甚至交警手势，模型缺乏物理常识与因果推理，只能硬猜。引入VLA（视觉-语言-动作）模型后，推理延迟高达200-300ms，在需要毫秒级响应的场景中杯水车薪。
⚖️ 三、过度保守 vs 过度激进：两难的抉择
当前主流厂商的解决方案是保守优先：宁可慢、宁可停，也不冒险通过。这解释了为什么城市NOA在复杂路口的通行效率往往低于人类驾驶。对车企而言，一次“过于激进导致的事故”比一百次“过于保守导致的堵塞”代价更大。
但这种保守策略正在制造新的问题：后车追尾风险。小米YU7在园区场景中，检测到行人靠近时会突然执行重刹，“先急停、再决策”的逻辑虽然保证了安全底线，但体验生硬，且极易引发后车追尾。理想L7在长沙岳麓大道开启NOA时，4秒内从45km/h骤降至4km/h，被后车追尾——就是保守策略的典型代价。
🔮 四、未来的出路
混合架构仍是主流方向，但需要更聪明的“仲裁机制”——不是简单让规则凌驾于学习之上，而是根据场景动态调整权重。在路口中央这种高动态场景，或许应该给学习网络更多信任；在高速结构化道路，规则系统可以更强势。
更重要的是人机共驾的重新定义。系统越流畅，人类越危险。FSD在99%场景丝滑运行，反而训练用户放松警惕，导致关键时刻接管反应不足。脑电研究证实，长期监督会引发“自动化诱导注意力退化”。用户平均应激反应需1.5秒，而系统留给用户的接管窗口常常不足2秒——构成“生死2秒”。
📌 给普通用户的建议
1. 复杂路口提前预判：看到无保护左转/右转、人车混行路口，手指放在方向盘上，脚放在刹车附近。别等系统“卡住”了再反应。
2. 警惕“丝滑陷阱”：系统越流畅，你越容易走神。时刻记住：它在99%场景稳如老狗，但1%的失误可能就在下一个路口。
3. 购车参考：试驾时主动要求走无保护路口和施工路段，观察系统是“果断通过”还是“犹豫卡死”。不同品牌在复杂路口的决策风格差异巨大。
🔗 知识连接
· 第47天：规则驱动 vs 学习驱动的决策架构差异。
· 第6天：城市NOA的现状与局限。
💬 互动思考
你遇到过智驾在路口“卡住”的情况吗？是果断接管了，还是等了等看它能不能自己过去？评论区聊聊。
关键词回顾
无保护转弯 规则与学习冲突 决策犹豫 接管延迟 人机共驾
🎯 明天预告（第49天 / 知识篇）
路径规划进阶——从A*到RRT，自动驾驶如何在复杂环境中找到最优路径？
本系列为100天深度学习计划，每日1篇。欢迎随时提问。
