Apollo星火计划学习笔记|预测模块

系列文章目录

L1 Apollo平台安装

L2 CyberRT学习

L5 Routing简介

L7 控制模块

L8 预测模块

---

基本概念

定义：接收原始感知/定位/地图信息，对无人车周围的障碍物未来n秒的行为轨迹进行预测，指导无人车下一步的运动轨迹
难点：

• 上游输入的局限性
• 交通参与者的不可预测性
• 具体路线行驶的不可预测性
  责任边界：
  将常规的交通状况纳入考虑范畴，同时主要预测大动作。

流程概览

step1：预处理（把障碍物信息综合整理为算法能够理解的内容）
将障碍物投影到高敬地图
首先使用分段树粗略找出障碍物附近的车道 ，详见AABOXKDTREE2D（）。判断障碍物的坐标是否在粗筛出的车道上，详见SetCurrentLanes（）。同时也会找出障碍物附近五米的车道。最后以车道id为索引建立类ObstacleCluster。
忽略一部分不重要的障碍物
需要注意的障碍物有：车道附近(2m)的行人、车辆前方80m内，左右6m范围内的障碍物、交叉路口障碍物。
生成障碍物可能选择的动作
先搜索所在车道可能的车道序列，再搜索附近车道的所有可能序列。
选择要注意的障碍物
等级分为：ignore，normal和caution，详见AssignCautionLevel。

step2:评价器（评估障碍物会执行各种动作的可能性）
evaluator用于评估障碍物在动作空间的可能性，大部分都是深度学习模型，有少量的基于规则的模型。

step3:轨迹生成器（类似后处理，将障碍物的动作细化为运动轨迹）
一共有三类predictor：FreeMovePredictor、LanceSequencePredictor和MoveSequencePredictor。
FreeMovePredictor主要预测不在路上所有类型的障碍物以及行人行为，通过运动学进行推断，可信度较低。
LaneSequencePredictor分析在车道线上车辆类型障碍物(normal级别)未来的行为。纵向：固定车速推进；横向：$$l_t=r_a^{\frac{t}{t_{res}}}.l_0一般设置ra=0.9m，t_{r}es=0.1s$$

MoveSequencePredictor分析在车道线上车辆类型障碍物(caution级别)未来的行为。本质是多项式拟合，希望用一个光滑的曲线链接始末点，同时满足一些额外的限制，如加速度等。可以细分为纵向和横向。纵向处理需要满足的约束有初始位置，初始速度，初始加速度，终末位置，终末速度共5个，因此至少需要一个四阶多项式拟合；横向处理需要满足的约束有初始位置，初始速度，终末位置，终末速度。需要一个三阶多项式拟合。

Apollo相关代码

详见APOLLO/modules/Prediction。
PredictionComponent::Proc()调用PredictionEndToEndProc()
PredictionEndToEndProc()调用Onperception()

参考文献

公众号关于预测的文章
蛇老师的代码解析