4. 决策树与行为树（BT）
好，咱们今天聊聊行为树。说实话，我刚开始做自动驾驶决策时，用的还是传统的有限状态机（FSM）。那时候项目赶得紧，状态一多，代码就乱成一锅粥。后来接触到行为树，才感觉打开了新世界的大门。
行为树这东西，说白了就是一棵树。树的每个节点代表一个行为或一个判断。机器人从根节点开始，按照树的逻辑往下走，最终执行某个动作。听起来简单，但用起来是真香。
4.1 行为树节点类型
行为树的节点类型不多，但每个都有它的脾气。我一个个说。
4.1.1 Sequence（序列节点）
Sequence 节点，顾名思义，就是按顺序执行子节点。它从左到右依次执行，如果某个子节点返回 Success，就继续下一个；如果返回 Failure，整个 Sequence 就失败，不再继续。
我在项目中遇到过这样一个场景：车辆要完成一个“靠边停车”的动作。这个动作需要先打右转向灯，然后减速，再向右打方向盘，最后回正。这四个步骤必须按顺序来，缺一不可。用 Sequence 节点就特别合适。
关键点：Sequence 节点要求所有子节点都成功，才算成功。任何一个失败，整个序列就中断。
4.1.2 Selector（选择节点）
Selector 节点，也叫 Fallback 节点。它也是从左到右执行子节点，但逻辑正好相反：只要有一个子节点返回 Success，整个 Selector 就成功，不再继续执行后面的节点。
你想想看，这像不像一个“备选方案”？比如车辆要避障，它先尝试向左变道。如果左边有车，那就尝试向右变道。如果右边也有车，那就减速。Selector 节点就是干这个的——从多个方案中选一个能用的。
我的经验：我曾经在写避障逻辑时，把 Selector 和 Sequence 搞混了，结果车辆总是同时执行多个动作，差点撞上护栏。后来我养成了一个习惯：在写代码前，先在纸上画出行为树的结构，标清楚每个节点的类型。
4.1.3 Decorator（装饰节点）
Decorator 节点，说白了就是给子节点加一层“包装”。它可以改变子节点的行为，比如限制执行次数、设置超时时间、反转结果等。
举个例子，车辆在等待红绿灯时，不能无限等下去。如果红灯超过 30 秒，就应该考虑绕行。这时候就可以用 Decorator 节点，给“等待”这个行为加一个超时限制。
常用的 Decorator 有：
- Inverter：反转子节点的结果（Success 变 Failure，Failure 变 Success）
- Repeater：重复执行子节点 N 次
- Timeout：给子节点设置超时时间
- Force Success：不管子节点返回什么，都返回 Success
注意：Decorator 节点虽然好用，但别滥用。我见过有人把整个行为树都包在 Decorator 里，结果调试时根本看不出问题出在哪。Decorator 应该用在刀刃上，而不是当万能胶。
4.1.4 Condition（条件节点）
Condition 节点，就是做判断的。它不执行任何动作，只检查某个条件是否成立。比如“前方是否有障碍物”、“当前速度是否超过限速”、“电池电量是否充足”等。
Condition 节点通常放在 Sequence 或 Selector 的最前面，用来决定是否继续执行后续节点。嗯，这里要注意：Condition 节点不应该有副作用，它只是“检查”，不应该“改变”任何状态。
4.2 行为树与 FSM 的对比
说到 FSM（有限状态机），很多老工程师对它感情复杂。FSM 简单直观，但状态一多，就变成了“面条式代码”。我当年维护过一个有 50 多个状态的 FSM，每次改一个状态，都要担心会不会影响其他状态。
行为树和 FSM 的区别，我用一个表格来说明：
| 对比维度 | FSM（有限状态机） | BT（行为树） |
|---|---|---|
| 状态管理 | 状态之间需要显式定义转移 | 节点之间通过树结构隐式管理 |
| 可扩展性 | 状态增多时，转移关系呈指数级增长 | 新增节点不影响已有节点 |
| 可复用性 | 状态逻辑通常耦合在一起 | 节点可以独立复用 |
| 调试难度 | 需要追踪状态转移路径 | 可以通过树结构直观定位问题 |
| 适用场景 | 状态少、逻辑简单的系统 | 状态多、逻辑复杂的系统 |
我个人习惯是：如果系统状态不超过 5 个，用 FSM 就够了。但如果状态超过 10 个，或者需要频繁增删状态，我会毫不犹豫地选择行为树。
4.3 使用 PyTrees 库构建一个避障行为树
PyTrees 是一个轻量级的 Python 行为树库。它简单易用，特别适合做原型验证。下面我带你手写一个避障行为树。
先安装 PyTrees：
pip install py_trees然后，我们定义几个行为节点：
import py_trees
class CheckObstacle(py_trees.behaviour.Behaviour):
"""检查前方是否有障碍物"""
def __init__(self, name="CheckObstacle"):
super(CheckObstacle, self).__init__(name)
self.has_obstacle = False
def update(self):
# 这里模拟传感器检测
# 实际项目中会调用激光雷达或视觉模块
if self.has_obstacle:
return py_trees.common.Status.FAILURE
else:
return py_trees.common.Status.SUCCESS
class MoveForward(py_trees.behaviour.Behaviour):
"""直行"""
def update(self):
print("正在直行...")
return py_trees.common.Status.SUCCESS
class TurnLeft(py_trees.behaviour.Behaviour):
"""左转避障"""
def update(self):
print("左转避障...")
return py_trees.common.Status.SUCCESS
class TurnRight(py_trees.behaviour.Behaviour):
"""右转避障"""
def update(self):
print("右转避障...")
return py_trees.common.Status.SUCCESS接下来，构建行为树：
def create_obstacle_avoidance_tree():
# 根节点：Selector，优先选择左转，其次右转，最后直行
root = py_trees.composites.Selector("避障策略")
# 左转分支：先检查障碍物，再左转
left_turn = py_trees.composites.Sequence("左转避障")
check_left = CheckObstacle("检查左侧")
turn_left = TurnLeft("左转")
left_turn.add_children([check_left, turn_left])
# 右转分支：先检查障碍物，再右转
right_turn = py_trees.composites.Sequence("右转避障")
check_right = CheckObstacle("检查右侧")
turn_right = TurnRight("右转")
right_turn.add_children([check_right, turn_right])
# 直行分支：直接直行
move_forward = MoveForward("直行")
# 组装树
root.add_children([left_turn, right_turn, move_forward])
return root最后，运行行为树：
if __name__ == "__main__":
tree = create_obstacle_avoidance_tree()
for i in range(10):
tree.tick_once()
print(f"第 {i+1} 次执行完成")
# 模拟障碍物变化
if i == 3:
tree.children[0].children[0].has_obstacle = True避坑指南：我曾经在写行为树时，忘记给 Condition 节点设置初始状态，结果第一次执行时，Condition 节点返回了 Undefined，导致整个树卡住了。后来我养成了习惯：所有 Condition 节点在初始化时，都要显式设置一个默认状态。
这个例子虽然简单，但已经涵盖了行为树的核心思想：用树结构组织行为，用节点类型控制执行逻辑。实际项目中，你可能会需要更复杂的节点，比如并行节点、随机节点等，但万变不离其宗。
好了，行为树的内容就讲到这里。下一章我们会聊聊更高级的决策方法——蒙特卡洛树搜索（MCTS）。那个东西更有意思，咱们到时候见。