会上可能听到：“这块决策我们按 POMDP 建模。——车上跑的是精确解，还是哪种近似？”
它到底是什么意思
MDP 求折扣累积奖励的期望最大：γ 管看多远，noise 管动作有多靠不住。它假设状态完全可测，驾驶里这条不成立：切入车的位置和速度测得到，它「打算」切入还是缩回去，测不到。
放松这一条就是 POMDP：手里只有置信，也就是对真实状态的概率分布。老虎问题每听一次花 1 分，说的是获取信息有代价；「低速探出」就像驾驶版的听一次。
难在求解：哪怕只有两个状态，置信也可以是 0 到 1 之间的任意值，没法逐个置信去算价值；到真实驾驶的规模，只能近似。有一种近似是把最可能的状态当真、按 MDP 规划：计算高效，但不会主动收集信息，不确定性高时容易失败。
机制图解
切入车会不会真的切进来
MDP当作测得到 · 策略：状态 → 动作
POMDP意图测不到，只有置信 · 策略：置信 → 动作 · 多看一帧，要付时间和路权
容易搞混的地方
常见误解
把预测给出的最可能意图当真，就算处理了不确定性
正确理解
那是按最可能的状态规划：不会主动收集信息，不确定性高时容易失败
常见误解
看得越清楚越好，没看清就不动
正确理解
获取信息有代价：驾驶里多等一帧，付的是时间和路权
看懂之后可以追问
- 我们是把预测给的最可能意图直接当真，还是保留了意图的概率分布？前者不会主动试探。切入车意图不明的时候，正是这类做法容易失败的时候。
- 「再等一帧看清楚」的代价，在我们的决策里是怎么算的？决策要在「多看」和「动手」之间权衡。这一项算轻了，车倾向多观望；算重了，车会在没看清时就动手。
沿着主线继续
先知道
- 奖励函数——把安全、效率、舒适、法规、人类偏好折算成一个可优化的数值信号，并用 KL 约束拴住策略别跑偏。
- 意图预测——先把「对方想去哪」离散成几个候选：哪条车道、哪个出口，再给每个候选打分；轨迹等意图定了再补。
接着看
- MPDM 与 EPSILON——预定义一小撮语义策略，对每个候选做闭环前向仿真、打分选优——把不可解的 POMDP 砍成「在有限集合里挑一个」。
- CVaR：尾部风险——期望值会拿大概率的顺畅稀释小概率的灾难；CVaR 放大最坏那部分尾巴的安全代价，α 决定尾巴取多宽，是风险容忍度的旋钮。