Coursera自动驾驶课程第21讲：Dynamic Object Interactions

在第20讲《Coursera自动驾驶课程第20讲：Mission Planning in Driving Environments》 我们学习了任务规划中常用的三种图搜索算法：Breadth First Search、Dijkstra 和 A* 搜索。

在本讲中我们将讨论运动规划器中使用的方法，以处理动态物体和自车之间的交互。我们将首先学习如何预测动态物体；然后我们将继续了解我们如何能够使用动态物体预测，以计算自车与其他动态物体之间的碰撞时间。

---

20.1 Motion Prediction

20.1.1 Overview

在本小节：

• 我们将定义动态物体的运动预测，并确定此类预测在更大的路径规划问题中的重要性。
• 我们将描述准确、安全地预测动态物体运动的需求，并探讨运动预测中固有的挑战。
• 最后，我们将使用恒速预测模型执行我们的第一个预测。

运动预测目的是为了在一定的有限范围内估计环境中所有动态物体的未来位置、航向和速度。这对于运动规划问题至关重要，因为它使我们能够根据其他物体的预期运动来规划自动驾驶汽车的动作。

接下来看啊可能预测动态物体的需求：

• 对于所有的动态物体，我们必须首先要知道物体的类别。这些信息至关重要，因为大多数预测模型对车辆和行人有不同的算法。
• 接下来，我们需要获得有关动态物体当前状态、位置和速度信息。这里用红色矢量表示，矢量原点等于车辆位置，矢量大小等于其速度，矢量方向等于其当前航向或行驶方向。
• 最后，还有许多其他可选信息，它们虽然不需要被进行预测，但可以大大提高动态物体预测的准确性。虽然将介绍的这份列表并不详尽，但它确实展示了一些主要的额外信息来源，以改进预测。首先是车辆在环境中运动时的历史轨迹，这非常有用。我们可以利用这些信息更好地了解物体是如何在环境中运动的。正如我们在下图中看到的，我们可以看到车辆历史轨迹为黑色箭头。
• 高清地图也可以作为额外的信息源，以确定动态物体的未来行为。正如本模块将进一步讨论的那样，车辆在道路上行驶时往往会沿着各自的车道。这可以提供强有力的线索来提高预测准确性。
• 处于当前环境的动态物体图像也可以是可以改进预测的有用信息源。例如，对于车辆，图像信息可以提供关于当前交通信号灯或车辆制动灯状态信息。类似地，对于行人，图像信息可以用来显示行人的当前朝向，这可以帮助预测行人未来的行进方向，即使行人当前是静止的。

---

20.1.2 Assumptions for Cars and Pedestrians

尽管运动预测问题十分复杂，但我们可以使用几个假设来简化问题。我们将从车辆的简化开始，然后转向行人。

• 第一个假设是，车辆必须遵循一套控制其运动的物理约束。正如我们在第一节课上讨论车辆运动学和动力学时所看到的那样。这些完全相同的车辆动力学可以应用于环境中的其他车辆，以预测它们的运动。我们将这种类型的预测称为基于物理的预测。
• 第二个假设是，车辆在道路上的所有运动都是由环境中有限域内的一组机动组成的。在这种情况下，我们假设在路上的车辆将留在路上并遵守驾驶规则。我们将这种类型的假设称为基于机动的假设。
• 第三个假设是与基于机动的假设相同的假设。然而，我们不仅可以独立评估每辆车，还可以假设动态物体会相互反应和交互。这种类型的预测的一个例子是在车辆并入相邻车道的过程中。通常，目的车道上的车辆会减速，为驶入的车辆留出更多空间，以保持安全跟车距离。这种类型假设被称为交互感知假设。
  
  对于行人，也可以用同样的三种假设：
• 基于物理学的假设，行人的最高速度往往较低，但可以很快改变运动方向和速度。这使得使用纯粹基于物理的假设来可靠地预测行人非常具有挑战性，但行人在短时间内可以到达的位置范围是有限的。
• 对于基于机动的假设，行人往往不会与车辆直接互动。因为他们出行时主要使用人行道或其他行人专用区。当他们进入环境中的可驾驶区域，从而可能与车辆接触时，他们主要使用人行横道。尽管将行人运动限制在这些区域是一个合理的假设，但这并不是一个硬性限制，行人的不可预测性需要对他们未来的行为保持多种可能的假设。
• 最后，行人最终拥有通行权，自动驾驶汽车有义务在必要时停车。疏忽大意的行人可能会在没有警告的情况下进入道路，但通常会在受到迎面而来的车辆威胁时停下。这种类型的交互假设也可以被结合到行人的运动预测中。
  

---

20.1.3 Constant Velocity Prediction Model

现在我们对运动预测有了更好的理解，让我们来看看一种简单的计算高效的算法，它可以同样应用于行人和车辆。该算法仅对动态物体的运动做出一个极端的假设。所有动态物体都将在短时间内保持其当前的速度，无论是在大小还是航向方面。

了解了这一点，现在让我们来看看这个简单的恒速模型的算法实现（下图所示）。该算法以 $dt$ 为增量从当前时间零点迭代直到终止时刻 $T$ 。该算法的输出是预测范围中每个时间步长的预测物体状态、位置和速度的列表。

现在让我们看一个简单的例子。我们将使用一个三秒钟的时间线和一秒钟的时间间隔，以及如图中红色箭头所示的当前车辆状态。正如预期的那样，车辆的预测位置以固定的步长在恒定的方向上移动，这与该直线段非常好地对应。

虽然该算法属于基于物理的假设类别，但它无法捕捉车辆动力学模型的全部复杂性，但它无法应用于车辆加速或减速或除零以外的转向等场景。恒速假设的另一个大缺陷是，它没有考虑到车辆随道路形状变化的趋势。在这个弯曲道路示例中的每个点上，等速模型预测路径将继续进入迎面而来的车道。

以上这些预测完全不适合行为规划。同样，恒速预测也没有考虑到路标来进行速度调整。接近停车标志的车辆往往会减速，而离开停车线的车辆则往往会加速。该算法的假设非常强，不适用于大多数动态物体情况。运动预测的关键挑战实际上是在给定可用信息的情况下，为车辆或行人模型选择最可能的输入。尽管如此，恒速模型是一个很好的起点，有助于清晰地定义运动预测的概念。它依赖于动态物体的最少信息来形成其预测，并且可以在完全不可用额外线索的情况下使用。

总结一下：

• 在本小节，我们了解了动态物体的运动预测任务及其对自动驾驶的重要性。
• 然后，我们定义了最小和可选的信息需求，为车辆和行人创建有效的运动预测算法。
• 然后，我们研究了一种用于预测物体未来位置的简单恒速算法，并确定了其许多局限性。

---

20.2 Map-Aware Motion Prediction

20.2.1 Overview

在本小节，我们将讨论高清道路地图中的可用信息。

• 首先，我们将讨论地图感知算法所依赖的不同假设（用于运动预测），以保持任务简单高效。
• 然后，我们将研究车道跟随预测方法，以改进位置预测组件。
• 接下来，我们将探讨当有多个车道选项时基于地图的预测。
• 然后，我们将探索围绕调节元素的速度预测。最后，我们将讨论地图感知预测中的一些问题，这些预测围绕着对动态物体的假设。

在上一小节中，我们探讨了恒速运动预测模型，但是它在非常有限的场景中会有效。地图感知算法做出了两大类假设，以改进运动预测（特别是对车辆的运动预测）。基于位置的假设以改进车辆状态的位置预测，以及基于速度的假设以改善车辆速度预测。

1）为改进位置预测而做出的第一个假设是，沿着给定车道行驶的车辆通常会沿着该车道行驶。回到我们的示例场景，如果我们有一辆车在弯曲的道路上，车辆很可能会沿着道路转弯。同时第二个假设是基于车辆的指示灯状态来做出车道改变或方向预测。

2）为改进速度预测而做出的第一个假设是，道路上的所有车辆都会受到道路几何形状的影响。因此，假设当车辆接近具有显著曲率的转弯时，车辆可能会减速以避免超过其横向加速度限制。同时如果我们还考虑可能遇到的交通规则，速度预测可以大大提高。例如，如果在车辆前方近距离处有停车标志，则可以安全地假设车辆将执行减速停车操作，从而随着时间的推移降低速度。

---

20.2.2 Improvement of Path Prediction

现在，让我们将这些基于地图的假设融入到运动预测方法中。对于具有自然曲率的道路，我们假设行驶在车道上的车辆可能会沿着该车道通过弯道。然后，运动预测可以通过使用地图的中心线作为车辆的预测路径来更新，而不是使用恒速预测生成的直线路径。 道路上的每条车道都有左右车道边界，道路中间会有一条中心线。车道的中心线定义为组成多段线的一组点，该多段线与车道左右边界的间距相等。这是在任何有曲率的道路上比恒速预测向前迈出的重要一步。然而，通过将路径预测限制在任何给定车道的中心线，将导致两个主要问题：

• 首先，在正常驾驶过程中，驾驶员经常变道。因此，如前所述，可以基于指示/转向灯来预测这种行为。
• 出现的第二个问题是，通常情况下，有不止一条中心线可供选择，例如在十字路口的情况下。

例如，在上图中的T形路口，车辆可以向左或向右转弯。这导致我们需要考虑基于场景中其他代理可能行为的多个假设。同样，我们有两种选择：我们可以使用物体的状态、外观和跟踪信息来识别最有可能的行为，然后基于最有可能性的行为构建预测。第二种方法我们称之为多假设预测。在多假设预测方法的情况下，基于车辆在HD地图中当前位置的全部可用可能性，考虑车辆的所有行为。

对于三向交叉口的例子，有三种可能性：向左转弯、向右转弯或保持静止。基于确定的证据，如指示灯信号、车辆到道路左侧或右侧的位置以及车辆在十字路口的状态。可以根据代理在预测范围内执行其中每一个假设的可能性来评估这三个假设中的每一个，这些概率可能很难精确量化。因此，可以从许多车辆通过类似十字路口的训练数据中学习，也可以从真实世界的测试中进行设计和改进。通常这种方法向行为规划者提供更模糊的信息，要求规划过程的下一阶段同时考虑多个场景，并处理置信度的概率表示。然而，如果处理得当，这种方法也会更加安全，能够实现防御性驾驶策略，并在概率基于新信息发生变化时快速重新规划。

20.2.3 Improvements to Velocity Prediction

既然我们了解了如何使用路线图来改善预测轨迹的位置，现在让我们深入研究速度预测。第一个改进是基于已知的道路几何形状或曲率，以及对其他车辆将如何反应的预测。所有车辆无论其制造模型如何，在进入急转弯或转弯时都会降低速度。我们可以使用预期的最大横向加速度，通常在 $0.5-1m/s^2$ 的范围内，来改进沿曲线的速度估计。第二个也是更显著的改进是结合了交通规则元素来改进速度估计。给定车辆的预期路径，任何道路元素，如停车标志、让行标志、限速变化或红绿灯，都可以为速度预测提供信息。在每种情况下，都可以根据路线图中定义的交通规则元素线来预测停车位置。然后，可以将平滑的减速度应用于沿其路径的车辆速度预测。

我们可以在多大程度上依赖于对预期动态物体行为的假设来预测未来的行动也是有限的。动态物体的行为并不总是与驾驶员期望的标称行为一致。例如，它们不完全遵循中心线，不超速行驶，以不同的速度加速和减速。此外，他们可能会对预测系统尚未获得的信息做出反应，例如前方道路上的坑洞或反弹的球，或车辆意外闯红灯时，他们可能根本没有观察到交通规则因素。所有这些变化都必须考虑在内，这在一定程度上可以通过多假设方法来实现。因此，最好的方法是跟踪一组假设中置信度的演变，并在每个时间步长根据感知模块中的证据进行更新。

---

20.3 Time to Collision