项目定位

TriggerEngine 是一个面向 Waymo Open Dataset interactive TFRecord 的离线规则挖掘 pipeline。它把原始轨迹、地图、交通灯和 VRU 交互信号，转成可以人工复核、可以回归验证的 review case。

这个项目当前处于 open-loop 阶段：输入是已采集的场景数据，输出是结构化事件和静态 viewer；它暂时不驱动策略或车辆控制。下一阶段会沿着已有的 Scenario IR / evaluation feedback contract 接入闭环仿真，形成“触发问题 -> 复现 -> 评估 -> 回灌规则”的循环。

我解决的核心问题

长尾场景在大规模数据里很稀疏，逐条人工回放成本高；但只做单帧阈值又会产生大量无法解释的误报。因此我把目标定义成：不是给每一帧贴标签，而是产出一个“为什么触发”的可复核事件。

关键设计

1. 配置面与运行面分离

规则先由 YAML DSL 经过 RuleParser、RuleCompiler 编译为 active ExecutionPlan；运行时的 TriggerEngine.evaluate(context) 只接收 AlignmentContext。这样 operator 的注册、subject 类型和 temporal source tag 可以在运行前校验，避免把配置错误带进批处理。

2. 单帧信号组合成有证据的时序事件

单帧规则输出统一的 TagEvent，再写入 TagTimeline，由 sustained / sequence 规则组合成 review 级事件。以 cut-in 为例，当前 classic pack 要求同一个 SDC-target pair 在 0.8 秒窗口内按顺序满足：

adjacent_vehicle -> cut_in_lateral_approach -> same_path_overlap

把它拆开看，判断过程是：

步骤 中间 tag 判断什么 结果
01 adjacent_vehicle 同一 sdc_pair 是两个车辆，横向间距约 1.5 - 4.5m，纵向距离不超过 15m 候选进入视野
02 cut_in_lateral_approach 两车都在运动，目标出现朝向 ego 的横向运动，且 heading 正在收敛 观察到切入过程
03 same_path_overlap ego 仍在运动，pair 进入近似同一路径，横向误差不超过 1.2m 切入几何关系成立
04 cut_in_confirmed 同一个 pair 按上述顺序在 0.8s 内命中；中间允许有未命中帧 生成 review 事件
05 cut_in_risk 在同一时序窗口内再叠加 low_ttc_pair 提升为更高优先级 review

所以它不是“某一帧横向距离小就算 cut-in”，而是 single-frame tags -> TagTimeline -> ordered sequence -> review policy。最后一步还会按 subject 合并 episode，避免同一个 cut-in 在连续帧里刷出一串重复事件。

如果还叠加 low_ttc_pair，则升级为 cut_in_risk。事件 metadata 会保留 supporting frame、timestamp、ego/target identity 以及规则来源，reviewer 可以沿着证据回看，而不是只看到一个布尔标签。

3. Review policy 控制噪声

中间 tag 保留为 supporting / debug 信号，最终 review item 使用 intent: review，再通过 episode、cooldown 和 subject 维度做去重与压缩。当前规则族覆盖 low-TTC、confirmed cut-in、map-aware red-light、SDC hard braking、VRU close interaction、blocked/unable-to-proceed 和 lane-change conflict。

Viewer 结果

下面是从实际 review viewer 截取的结果。左侧是 review index：按 tag 组织场景；右侧场景页把 EGO/TARGET、scenario、frame、time 和事件摘要放在同一个审查路径里。

TriggerEngine review index showing five review tags and 183 events
Review index：5 类 review tag / 183 events，支持按事件族快速定位场景。
TriggerEngine viewer showing a confirmed cut-in with EGO and TARGET
Confirmed cut-in：viewer 选中 `cut_in_confirmed`，并展示 EGO、TARGET、frame 8、t=0.80s 等证据。

工程化价值

层次 关键实现 对面试的意义
数据层 Waymo adapter + alignment context 把原始 proto 数据变成稳定的规则输入
规则层 YAML DSL + OperatorRegistry + RuleRegistry 新增场景主要扩展配置和 operator，不改主流程
引擎层 TagEvent、TagTimeline、event policy 同时支持解释性、时序性和事件去重
交付层 batch summary + payload JSON + static HTML 结果可复核、可分享、可作为下一轮规则回归输入

性能优化也遵循 profile 结果：例如先做 SDC-only pair candidate 和廉价几何 gate，再进入 TTC / lane matching 等更昂贵的计算；已记录的 first-five-shard benchmark 将 engine time 从 82.07s 降到 9.01s，同时保持 review output 不变。

下一步：从 open-loop 到 closed-loop

当前交付边界是“离线挖掘 + 证据 viewer”。下一步会把高价值 review case 编译成可执行的场景输入，接入 agent/runtime，比较闭环行为与触发条件，再将评估结果回写为 evaluation feedback。这样 TriggerEngine 不只是一个离线筛选器，而会成为仿真评测和规则迭代的前置入口。

Code map

  • trigger_engine/data/：数据读取、frame schema、Waymo / nuScenes adapter。
  • trigger_engine/rules/：DSL parser、AST、compiler 与 rule execution。
  • trigger_engine/operators/：运动学、交互、地图和 review predicates。
  • trigger_engine/engine/：触发编排、subject cache、时序 timeline、event policy。
  • tools/run_review_batch.py：批量扫描、统计、profile 与 viewer 产物生成。