这就是Apllo-4-预测

为什么要预测

预测其实就是预判，在路上行驶，我们人类驾驶员在完成超车，并道等与汽车车辆有互动的交通行为时，都会对进行互动的车辆进行预测，判断他会不会减速或者变道等。同样的，无人车也会在行驶过程中进行预测，预估其这样做会不会带来恶劣效果，能不能安全完成这个工作。

预测必须保证实时和准确，这些都很好理解。如果预测结果在五分钟后才能获知，预测几乎没有意义。如果前车半个车身都进入隔壁车道了，系统仍然预测这辆车不会变道，那预测也没有什么实际性。

预测方式

两大预测方式分别时基于模型的预测与数据驱动预测

用基于模型的方法首先构建各种情况下的数据模型，并且认为任意一种模式发生的概率都是相同的，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，这就是基于模型预测方法的工作原理。

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。数据驱动方法的优点是训练数据越多，模型效果越好。

基于车道序列的预测（Apllo策略）

Apollo 提供了一种叫基于车道序列的方法，为了建立车道序列，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。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。

预测目标车道

使用车道序列框架的目标是为道路上的物体生成轨迹。先从一个稍微简单的问题开始，会预测车道线段之间的过渡。假设在车道段0中检测到一辆车，并且会预测在接下来的几个时间段中它将如何行驶，它可能停留在车道段0然后向右转或者可能转向车道段1然后直行，我们已经将预测问题简化为选择问题。

递归神经网络的使用

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。