为什么加塞智驾车时，智驾车总会让行？

大家在开车时，应该都遇到过开着小蓝灯的车辆，这类车一般都是开了驾驶辅助或智驾功能。

有不少司机遇到这类车会避而远之，也有些司机会加速加塞，而智驾车在很多情况下会选择减速让行。

为什么智驾明明识别到了加塞，还要让？

之所以会出现这个现象，是因为智驾对加塞车辆的判断方式，与人类司机并不一样。

01

加塞在智驾眼中是个啥？

对于智驾系统来说，加塞这个行为并不会被理解为一个简单的动作，而是一个持续变化的交通参与者状态。

车辆刚出现在相邻车道时，系统需要判断它的位置、速度、航向以及横向运动趋势。

如果对方车辆逐渐向本车道靠近，系统还要继续判断它只是轻微压线，还是准备真正变道？它与本车的距离还剩多少？按照双方当前速度继续运动，未来几秒是否会产生冲突？

这也是自动驾驶预测模块的重要作用。

预测模块并不是简单猜下一秒车辆在哪里，而是会根据车辆过去一段时间的位置和速度变化，结合车道、道路结构以及周围车辆状态，生成对方未来可能出现的运动轨迹。

小鹏在第二代VLA升级中就公开提到，系统针对前车突然刹停、行人折返、旁车强行加塞等突发情况，引入了更快的流式自回归推理，并通过世界模型预测周围交通参与者未来可能的行为。

其X-Foresight预测世界模型能够推演未来6秒内周边交通参与者的运动趋势，辅助系统提前预判加塞、行人变向、车辆制动等场景变化；

而Infini-VLA长时序架构则可留存过往30秒内的道路环境数据，把碎片化的道路事件串联起来，为智驾决策提供更长周期的场景上下文。

这对加塞判断尤其关键，加塞行为一般是持续数秒的动态过程，长时序记忆能帮助系统更准确地判断对方车辆的意图演变，而非仅依赖瞬时画面做判断。

华为乾崑ADS 5的技术路线也体现了类似思路。

其官方公布的车端世界行为模型首次引入安全风险场理论，通过风险热力图实时决策，可将碰撞风险降低50%。华为将其描述为从识别目标进一步走向对风险的判断。

此外，华为云端世界模型首次引入多智能体博弈机制，训练强度提升10倍，这与加塞场景中的博弈决策直接相关。

乾崑OS还通过确定性调度引擎等技术，降低车内信号30%时延，确保紧急Cut-In等低时延任务能及时执行。

所以，当一辆车刚刚开始向本车道靠近时，智驾并不是等它完全压进来以后才做决定。它可能已经根据对方的横向速度、距离和运动趋势，提前判断这次变道存在冲突可能。

简单的一个加塞动作，在人类看来他还没加塞进来，但在智驾眼中看到的可能已经是这条轨迹正在向我靠近，需要提前减速应对。

02

为什么判断到加塞

智驾还是会选择让？

对于智驾系统来说，判断出来对方正在加塞之后，真正困难的是下一步怎么做。

假设旁边车辆正在向本车道切入，智驾至少存在保持速度，让对方继续完成变道；适当减速，主动给对方留下空间；如果条件允许，也可以通过调整自身轨迹避免形成冲突等几种处理方式。

看起来只是简单的让不让，实际上涉及的是一个连续的决策过程。

系统需要同时考虑本车速度、前后车距离、目标车辆的速度和横向运动、相邻车道车辆，以及本车当前的制动能力。

尤其是在城市拥堵道路上，车辆之间的距离本来就比较小，一个动作很容易影响后面的车辆。

因此，智驾一般不会把坚持自己的位置当成唯一目标，而是会把避免发生不可控冲突放在更靠前的位置。

这也是为什么一些智驾系统会出现人类驾驶员看来有点太客气的行为。

对人类司机来说，稍微顶住一点可能只是一次正常的驾驶互动；对于智驾系统来说，如果对方行为存在较大不确定性，主动降低速度更容易把风险控制在自己的可控范围内。

理想汽车此前公开的智能驾驶技术中，就已经针对拥堵博弈变道进行专门优化。

其OTA 5.2.0的官方更新说明中明确提到优化变道时机、变道空间以及变道等待博弈的策略，减少变道、超车发起的等待时间，提升变道等待决策的果断性和变道有效性，同时对他车切入场景的控速策略进行调整，优化跟车和他车切入场景的控速策略，减少跟车过程中的顿挫和急减速，提升跟车舒适性和安全感。

这说明理想的技术方向更侧重于在博弈中更果断地决策，而非单纯偏向让行。

其2024年公开的技术资料中，邻车靠近避让被列入用户手册，OTA 6.0.0更新说明则提到绕行障碍物及提升对动态目标的应对能力。

这说明加塞不是简单的障碍物避让，而是车辆之间的交互决策。

从博弈论视角看，加塞本质是一种非合作博弈，加塞者通过违规获取时间收益，被加塞者被迫承担减速与安全风险。

2026年发表的《Transportation Research Part C: Emerging Technologies》就提出了分层FSM-Nash框架。

其将决策过程解耦为战略层（博弈论协调，通过有限状态机实现多阶段行为转换）与执行层（约束型纳什均衡规划器），在密集交通加塞场景中实现了安全性提升50%、效率提升11%的效果。

该研究还引入了自进化贝叶斯风险机制，通过实时交互数据和区域驾驶模式动态校准风险阈值，使系统能够适应不同地区的驾驶风格差异。

如果智驾系统只判断前方有车，很容易做出突然刹车的动作；如果能够进一步判断旁车正在切入，而且切入速度较快，系统就可以更早地调整速度，把一次突然的加塞变成一个相对平顺的速度变化。

03

智驾真正要解决的

是让到什么程度

对于加塞这个场景，智驾系统要做的并不是从总让变成绝不让。

真正成熟的策略应该是知道什么时候需要让、让多少，以及什么时候没有必要让。

小鹏2023年7月推送的 Xmart OS 4.3.0 版本中，XNGP 正式加入了防加塞策略，官方描述为在拥堵场景下动态控制车距，同时优化跟车能力；同一版本还针对变道策略增加了不同驾驶风格选择，并优化变道时机和执行方式。

这类技术的背后逻辑是，如果车距始终留得很大，旁边车辆更容易找到切入空间；如果车距压得过小，又可能导致本车频繁制动，甚至增加碰撞风险。

因此，真正的防加塞并不是简单地把车距缩小，而是让车辆根据交通状态动态调整自己的行为。

在正常车流中，旁车只是靠近，并不意味着它一定要加塞，这时没有必要突然减速；

当对方已经明确向本车道切入时，系统可以提前减速，减少冲突；

如果对方已经完成切入，则应该迅速恢复合理的跟车距离，而不是持续保持过大的安全空间。

这一系列动作，在传统模块化架构中至少涉及目标跟踪、轨迹预测、意图判断、风险评估、纵向控制和横向规划等环节，其中的难点在于这些环节不能各自独立做决定。

预测认为对方可能加塞，规划就要提前准备；规划决定让行，控制就要用平顺减速完成；如果对方最终没有加塞，系统又要及时修正判断。

而在端到端架构下，这些环节不再以独立模块的形式串行传递，而是被统一到一个神经网络中联合推理。

感知特征直接参与规划决策的生成，系统对加塞的响应在连续的推理流中同步完成，不再依赖预测结果这类显式中间变量。

也就是说端到端并非取消了传统模块化架构中判断的过程，而是让它们在隐式特征空间中并行耦合，从而减少模块间信息损失，并将传统架构中需要跨模块协商的目标权衡内化到统一的优化过程中。

这也是为什么现在越来越多车企开始把加塞、拥堵变道、邻车靠近单独拿出来优化的原因。

《中国公路学报》2026年发表的人机混行研究综述指出，人工驾驶车辆在面对自动驾驶车辆时会产生适应性行为，这种变化会影响跟驰和换道行为，且与驾驶员对自动驾驶技术的信任度、驾驶风格等主观因素，以及自动驾驶车辆渗透率、驾驶环境等客观因素密切相关。

另一项针对AV渗透率（自动驾驶车辆渗透率）与驾驶风格的独立研究进一步发现，渗透率的影响因人而异。

激进型和普通型驾驶员在AV渗透率升高时会表现出更具攻击性的决策行为，而防御型驾驶员的行为则不受渗透率变化影响。

这意味着，AV渗透率升高对人驾车辆行为的影响并非线性的“越高越显著”，而是与驾驶员的个体风格密切相关。

智驾的保守行为本身其实也可能对交通流产生负面影响。

有研究通过协同仿真分析发现，保守驾驶的影响因限速而异，主要原因是自动驾驶车辆的急减速会导致与后车安全距离急剧缩小。

另一项交通流仿真研究则指出，自动驾驶车辆相比人类驾驶员在加速行为和横向运动方面更为保守，导致它们需要更大的变道间隙，被迫更多地减速等待。

这为智驾在拥堵场景中更容易被加塞提供了一种可能的解释，因为更大的安全间隙会成为被加塞的诱因之一。

在高密度混合交通中，安全、交互质量和交通性能三个维度同时满足的情况极为罕见，智驾的过度让行虽然在某些指标上提升了安全性，但可能在其他维度（如通行效率、后方车辆体验）造成隐性成本。

所以，人类司机觉得智驾总是在让，某种程度上恰恰说明了当自动驾驶车辆进入真实的人机混行环境后，系统不仅需要预测道路，还需要预测其他驾驶员。

未来智驾真正需要提高的，不是单纯变得更强硬，而是要将加塞这个行为的处理做的更精准，该让的时候提前让，不该让的时候不用过度退让；面对强行加塞，也能在保证安全的前提下保持合理的行驶节奏。

这样一来，智驾才不会因为过度保守而显得不聪明，也不会为了表现得像人类司机一样强势而增加新的风险。