不确定性世界中的行为预测

桔妹导读：自动驾驶系统中的行为预测模块主要负责预判其他交通参与者未来一段时间的行为，其困难主要源自现实世界和人类行为的高度不确定性。本文列举了现实环境中的不同场景，讨论了两种不同预测方法，即基于行为规划的预测和基于机器学习的预测，用于准确预测各种复杂交通行为并刻画其多模态特征和不确定性的困难和挑战。

1. 

行为预测是自动驾驶系统的隐含层

实现汽车的自动驾驶被认为是我们这一代最大的工程挑战之一¹。最主要的原因之一，是自动驾驶汽车需要在复杂且多变的环境中，实现安全且舒适的驾驶行为。简单来说，自动驾驶系统的输入是通过大量传感器收集的自身及周围环境的各种信息，输出是刹车、油门、方向盘等相关的驾驶动作。

实现一个完整的自动驾驶系统，有很多种不同的方案，其中最大胆的可能是基于深度学习和强化学习，训练一个端到端的模型，即以原始的传感器数据作为输入，模型直接输出控制参数。然而这样的方案，目前还仅停留在学术探索的阶段，离实际的工程应用还比较远。

图1. 自动驾驶系统示意图

工程实践中，一般采取分而治之的方法实现，也就是分为感知、预测、规划与控制等具有一定上下游关系的子系统。这样的划分为系统带来了比较好的可解释性，方便持续的迭代和改进。此外，这样也是符合直觉的：首先，通过感知模块得到周围环境和交通参与者的当前状态；然后，通过预测模块预判其它交通参与者未来一段时间的行为；最后，基于对环境的感知和预测，自车做出合理的决策和轨迹规划。可见，行为预测类似于一个隐含层，通过它可以衔接上下游，也就是综合当前和历史的环境信息给出对于未来的预测，为下游的决策和规划提供及时和准确的信息。

2. 

行为预测的基本方法和框架

▍1. 行为预测方法从简单到复杂的演进过程

图2. 行为预测方法从简单到复杂的演进过程示意²

行为预测方法从简单到复杂的演进过程基本包括图 2 所示的几个阶段。其中最简单和直接的预测方法是基于运动学模型，采用外推的方法预测未来轨迹。也就是基于物体当前的运动状态（朝向、速度、加速度、角速度等），假设物体会按照某种物理规律运动（例如常速度和常角速度假定），从而推导出未来的运动轨迹。但是，这种方法对于中长期时间尺度的预测显然是不适用的。原因在于基于运动学模型的方法，只考虑了物体自身的运动学特征，并且实际物体的运动方式也很可能不符合运动学模型的假设。

所以，一种比较自然的扩展思路，就是需要引入地图的辅助和约束，例如车道线、道路可行驶区域以及道路的连接关系等几何和拓扑信息。然后，从语义的层面对物体的运动模式进行描述，例如变道、左转、直行、右转等，并通过引入一些先验假设（例如车辆会尽快回到道路中心线以及遵从道路连接关系等），最后基于拟合、差值或者优化等方法生成预测轨迹。例如图 3 所示，为了能够准确预判自车右前方摩托车从自行车道切入机动车道的行为，我们需要知道自行车道、机动车道以及花坛之间的