目录

概念

预测方式

障碍物预测

递归神经网络在预测中的应用

轨迹生成

概念

无人车是在许多物体间穿梭行驶，其中许多物体本身就是一直在移动的，比如像其他汽车、自行车、行人。无人车需要预测这些物体的行为，这样才能确保做出最佳决策。在环境中为所有其他的物体做出预测，这些共同形成了在一段时间内的预测路径，在每一个时间段内会为每一辆汽车重新计算预测他们新生成的路径，这些预测路径为无人车在规划阶段做出决策提供了必要信息。

实时性

预测路径有实时性的要求，实时性是指算法的延迟越短越好，一辆车如果是 60 千米/小时速度，那么它在每0.25 秒会行驶 5 米，所以需要确保无人车在行驶之前，前方5 米没有任何障碍物并且可以安全地穿行。

也就是说车子开的速度越快，对于实时性的要求就越高。

准确性

如果预测出相邻多车道的汽车想并入我们的车道，我们需要减速。而另一 种情况是如果预测它会保持在自己的车道上行驶，我们需要做出的预测尽可能保持准确，这样才 能帮助我们无人车做出很好的决策。

预测模块也应该能够学习新的行为，当路上有很多车辆，情况将变得复杂。开发出每种场景的静态模型是不可能完成的任务，所以预测模块能够学习新的行为，用这种方式可以使用多源的数据进行训练，使算法随着时间的推移而提升预测能力。

预测方式

基于模型的预测

假设无人车来到一个T型路口并且看到一辆车从左面行驶而来，此时还不清楚这辆车是要右转还 是直行，用基于模型的方法可以为此场景构建了两个候选的预测模型。一个模型描述了进行右转弯，用绿色轨迹表示，另一个模型描述了继续直行，用蓝色轨道表示。认为任意一种模式发生的概率都是相同的，所以有两个候选模型，每个模型都有自己的轨迹。继续观察移动车的运动，看它与哪一条轨迹更加匹配，如果看到车辆开始向左改变车道，我们会更加确信车辆最终会直行另一方面如果看到车在右转弯车道保持前行，我们会更加倾向于预测对车辆右转，这就是基于模型预测方法的工作原理。

基于机器学习的数据预测训练

数据驱动预测使用机器学习算法，通过观察结果来训练模型，可以在现实世界中利用此模型去做出预测。

基于车道的预测（Apollo 提供）

首先将道路分成多个部分，每一部分都覆盖了一个易于描述车辆运动的区域。比如如图是一个部分区域的十字路口。为了预测，我们更关心车辆如何在这些区域内转换，而不是在某个区域内的具体行为。可以将车辆的行为划分为一组有限的模式组合并将这些模式组合描述为车道序列，例如直行汽车的运动可以描述

为车道序列是 0-1-3-7。

优缺点对比

数据驱动方法的优点是训练数据越多，模型效果越好。基于模型的方法的优点在于它的 直观，并且结合了现有的物理知识以及交通法规还有人类行为多方面知识。

障碍物预测

除了预测物体的运动也需要知道物体的状态，当我们行驶时，通过观察一个物体的朝向、位置、速度、加速度来预测它将会做什么。

无人车还需考虑车道段内物体的位置。例如预测模块会考虑从物体到车道线段边界的纵向和横向距离，还包含之前时间间隔的状态信息以便做出更准确的预测。

递归神经网络在预测中的应用

Apollo使用RNN建立一个模型来预测车辆的目标车道，为车道序列提供一个RNN模型，为相关对象状态提供另一个RNN模型。连接这两个RNN的输出并将它们馈送到另一个神经网络，该神经网络会估计每个车道序列的概率，具有最高概率的车道序列是我们预测目标车辆将遵循的序列。为了训练这个网络，使用现有的记录，每条记录都包含一个车道序列、相关的对象状态、一个标签，用于指示对象是否遵循此特定车道序列。在训练中，比较网络输出和真值标记并使用反向传播来训练网络。

轨迹生成

轨迹生成是预测的最后一步，一旦我们预测到物体的车道序列，就可以预测物体的轨迹。在任何两点A和B之间，物体的行进轨迹有无限的可能。

如何预测最有可能的轨迹？可以先通过设置约束条件来去除大部分候选轨迹，首先假定汽车将与 目标车道的中心对齐，继续去除车辆无法实际执行的轨迹。通过考虑车辆当前的速度和加速度从剩余的轨迹中进行选择，实际上我们并没有实际列出所有可能的轨迹并逐一去除它们。相反只是在数学理论上来应用这一想法，注意车辆在两点的位置和方位，这两个姿势表示运动模型的初始状态和最终状态，可以使用这两个条件来拟合一个多项式模型，在大多数情况下这种多项式足以进行预测