轨迹预测方法

《A Survey on Trajectory-Prediction Methods for Autonomous Driving》翻译见https://www.sohu.com/a/635695859_560178

方法

– – 基于物理的方法
特点：利用物理模型以相对较低的计算资源完成轨迹预测，对物理方法的分类如表1所示。[1]基于物理方法的分分类

物理模型

1、车辆运动学模型
由于运动学模型结构简单，比动力学模型更常用。常用的有恒定速度(CV)模型、恒定加速度(CA)模型、恒转弯速率和速度(CTRV)模型、恒转弯速率和加速度(CTRA)模型、恒定转向角(CSAV)、恒转向角和加速度(CSAA)模型等。

2、车辆动力学模型
简单的动力学模型是首选，因为复杂的动力学模型包括许多固有参数，在预测精度上带来小的增益、但引入额外的计算负担。在预测任务中，车辆通常视为自行车模型，由前轮驱动。

预测方法

1、单轨迹方法
单轨迹方法假设车辆的状态完全已知，没有噪声，将车辆的当前状态直接应用于物理模型。该方法适用于运动学模型[22],[26-27]、动力学模型[17-19]。[25]中线性自行车模型用于避免碰撞，而Lytrivis等人[22]和Miller等人[26]分别使用CTRA模型与CA模型。该方法的优点在于计算效率高，适用于约束较小的情况。然而，它们无法考虑道路相关因素，当前状态的不确定性对于长期预测是不可靠的。

2、卡尔曼滤波方法
KF方法能处理车辆状态中的噪声，噪声通过高斯分布对当前车辆状态及其物理模型的不确定性或噪声进行建模[28]。将预测和更新步骤组成一个循环，可以获得每个未来时间步长的车辆状态的平均值和协方差矩阵，计算为具有相关不确定性的平均轨迹[15],[24]。

3、蒙特卡洛方法

由于交通参与者的物理模型不断变化， 这些方法仅适用于短期预测（不超过1s）。使用一个或多个物理模型可快速获得交通参与者的未来轨迹，但物理模型的选择和他们之间的切换将带来明显的预测误差。解决这一问题的一种方法是考虑相互作用的因素，如IMM-KF[32]。为了达到SOTA，基于物理的方法可能需要与基于学习的方法相结合[36]，该文献使用基于学习的判别器来提取交互信息并生成基于模型的轨迹。

情境因素

1、物理因素
2、道路因素
3、交互因素