4、行人感知与决策：让虚拟行人“看见”并“思考”
好，我们进入这一章的核心。行人行为模拟里，最难的不是走路动画，而是让行人感知环境并做出决策。说白了，就是给虚拟人装上眼睛和大脑。
我刚开始做这个模块时，犯过一个低级错误——让行人“全知全能”。他能看到360度所有车辆，能预判5秒后的轨迹。结果仿真跑起来，行人个个像开了上帝视角，完全不真实。后来我才明白：真实行人的感知是有局限的，决策是有偏好的。
这一章，我们就来拆解这三个核心模块：感知模型、决策模型、意图预测。
4.1 行人感知模型：视野范围与注意力
行人怎么“看”世界？不是像雷达那样扫描，而是靠眼睛和大脑的协同。我习惯把感知模型拆成两层：物理视野和注意力筛选。
4.1.1 视野范围（Field of View, FoV）
人的视野不是均匀的。中心区域清晰，边缘模糊。在仿真里，我们通常用一个扇形区域来近似：
- 水平视野：约120°（有效视区），中心60°为高分辨率区
- 垂直视野：约60°（上下各30°）
- 最大感知距离：城市环境中约50-100米（受遮挡影响）
举个例子，我在项目中这样实现视野检测：
// 伪代码：行人视野检测
bool IsInFieldOfView(Vehicle vehicle, Pedestrian ped) {
Vector3 dirToVehicle = vehicle.position - ped.position;
float distance = dirToVehicle.magnitude;
// 1. 距离过滤
if (distance > ped.maxPerceptionRange) return false;
// 2. 角度过滤（水平120°）
float angle = Vector3.Angle(ped.forwardDir, dirToVehicle);
if (angle > ped.horizontalFov / 2.0f) return false;
// 3. 遮挡检测（射线投射）
if (Physics.Raycast(ped.eyePos, dirToVehicle, out hit, distance)) {
if (hit.collider.tag != "Vehicle") return false; // 被其他物体挡住
}
return true;
}
4.1.2 注意力模型（Attention Model）
视野里能看到的东西，不代表行人真的注意到了。人的注意力是有限的。你想想看，过马路时你会同时盯着左边来的车、右边来的自行车、脚下的坑、手机上的消息吗？不会的。
我常用的注意力模型分三个层次：
- 焦点注意力：当前最关注的目标（比如最近的车）
- 周边注意力：视野内但非焦点的目标（比如远处的车）
- 忽略目标：视野外或被认为不危险的目标
具体实现时，我会给每个目标算一个注意力权重：
| 影响因素 | 权重系数 | 说明 |
|---|---|---|
| 距离 | 0.4 | 越近越关注 |
| 相对速度 | 0.3 | 速度越快越危险 |
| 运动方向 | 0.2 | 朝向行人的更危险 |
| 目标大小 | 0.1 | 大物体更容易被注意 |
嗯，这里要注意：注意力是会转移的。行人不会一直盯着同一个方向。我习惯加一个扫视机制——每隔2-3秒，行人会随机扫视左右，更新注意力焦点。
4.2 行人决策模型：过马路与避让
感知完了，接下来就是决策。行人决策模型，说白了就是回答两个问题：“现在过马路安全吗？” 和 “如果危险，我该往哪躲？”
4.2.1 过马路决策（Crossing Decision）
过马路决策的核心是间隙接受理论（Gap Acceptance Theory）。行人会判断：下一个车到达我当前位置的时间（Time to Arrival, TTA）是否足够我通过。
我常用的决策流程是这样的：
- 计算安全间隙：行人需要的最小时间 = 道路宽度 / 行人步行速度 + 安全余量
- 评估当前间隙：最近车辆到达的时间 TTA = 距离 / 车速
- 决策规则：如果 TTA > 安全间隙，则过马路；否则等待
代码实现大概这样：
// 过马路决策
bool ShouldCross(Pedestrian ped, Road road, List<Vehicle> vehicles) {
float roadWidth = road.width;
float walkSpeed = ped.walkSpeed; // 约1.2-1.5 m/s
float safetyMargin = 1.5f; // 秒，个人安全偏好
float minTimeNeeded = roadWidth / walkSpeed + safetyMargin;
// 找到最近车辆的TTA
float minTTA = float.MaxValue;
foreach (var v in vehicles) {
float tta = CalculateTTA(v, ped);
if (tta < minTTA) minTTA = tta;
}
// 决策
return minTTA > minTimeNeeded;
}
4.2.2 避让决策（Avoidance Decision）
过马路过程中，如果突然有车冲过来怎么办？这时候就需要避让决策。我把它分成三种策略：
- 加速通过：如果已经走了一半以上，加速跑过去
- 后退返回：如果刚起步，退回路边
- 原地等待：站在路中间的安全岛等待
选择哪种策略，取决于风险等级和当前位置。我习惯用一个简单的状态机：
enum AvoidanceStrategy { Accelerate, Retreat, Wait };
AvoidanceStrategy DecideAvoidance(Pedestrian ped, Vehicle threat) {
float progress = ped.distanceCrossed / roadWidth; // 过马路进度
float ttc = CalculateTTC(threat, ped); // 碰撞时间
if (ttc < 1.0f) {
// 极度危险
if (progress > 0.6f) return Accelerate;
else return Retreat;
} else if (ttc < 2.0f) {
// 中度危险
if (progress > 0.4f) return Accelerate;
else return Wait;
} else {
// 低风险，继续正常行走
return Wait; // 实际上是不需要避让
}
}
4.3 行人意图预测：预判行人的下一步
这一节其实是为自动驾驶车辆服务的。车辆需要预测：这个行人接下来要干嘛？ 是继续等，还是突然冲出来？
我常用的意图预测方法有三种：
4.3.1 基于轨迹的预测
最简单的方法。根据行人过去几帧的位置，用卡尔曼滤波或线性外推预测未来轨迹。
// 简单线性外推预测位置
Vector3 PredictPosition(Pedestrian ped, float deltaTime) {
Vector3 velocity = (ped.position - ped.lastPosition) / Time.deltaTime;
return ped.position + velocity * deltaTime;
}
但这个方法有个问题——它假设行人会保持当前运动状态。如果行人突然改变主意（比如本来在等，突然决定过马路），预测就失效了。
4.3.2 基于意图的预测
更高级的方法。我们直接预测行人的决策意图。比如：
- 过马路意图：行人是否在观察车流？身体是否朝向马路？
- 等待意图：行人是否在看手机？是否站在路边不动？
- 犹豫意图：行人是否在左右张望？脚步是否有小幅度移动？
我习惯用隐马尔可夫模型（HMM）来做意图识别。把行人的状态（观察、等待、行走、冲刺）作为隐藏状态，把观测到的行为（头部朝向、脚步移动、身体倾斜）作为观测序列。
4.3.3 混合预测方法
实际项目中，我推荐轨迹预测 + 意图预测结合。先用意图预测判断行人的决策模式，再用轨迹预测计算具体路径。
举个例子：
- 意图预测输出：行人“很可能要过马路”（概率85%）
- 轨迹预测：根据过马路意图，预测行人会沿直线穿过马路，速度1.3m/s
- 最终输出：未来3秒的预测轨迹点
这样既考虑了行人的长期意图，又保留了短期运动细节。
好，这一章就到这里。下一章我们会讲行人群体行为模拟——当一群行人在一起时，他们怎么互相影响？怎么形成人流？那又是另一个有意思的话题了。