无人驾驶实战-第九课（预测系统）

在七月算法上报了《无人驾驶实战》课程，老师讲的真好。好记性不如烂笔头，记录一下学习内容。 课程入口，感兴趣的也可以跟着学一下。

—————————————————————————————————————————

PNC

 PNC=Planning and Control，其中包括：预测、全局路径规划、计划（决策、路径规划、速度）及控制。

各公司无人驾驶的整体水平

预测

很多无人驾驶的工作都需要给予预测的结果。预测的需求是准确率和实时性，难点是较为少见的情况预测（corner case）

预测的两大方法：

基于模型的方法：结合人类的先验知识，可以解决较为少见的情况；

基于数据驱动的方法：本质是机器学习，数据越多效果越好。

车辆预测中的车道模型

首先对线路进行分段，对每段中的车道进行编号。再对各种可能的行驶线路进行分类，计算每种的概率。

车道模型包含三个部分。

车道特征：与起点的距离、与中心线的偏离值，参考线，转弯曲率，交通法；

车辆状态：车速，加速度，朝向角度，朝向角速度，车辆类型，尺寸；

环境：自然环境，车道周围的环境。

车道模型的输入数据为序列，则使用的网络为RNN

Apollo的模型

DATA PIPELINE

包括样本工程、模型优化和特征工程

其中数据的自编码较为重要

轨迹建立的几种方法

1.卡尔曼滤波；2.多项式拟合；3.动力模型

STATE OF THE ART

Uber提出的模型。基于CNN的方法，实现图生成和轨迹生成。

Waymo提出的ChauffeurNet。中级到中级的学习，多任务受限的学习，结合了预测与规划两部分工作。

行人预测

特点是高度的随机性、较低的交通约束、自由度高没什么运动约束。

代表工作：

李飞飞团队在这方面的建树颇丰，发了很多顶会。

Social LSTM，提出了Social-pooling

Social GAN。引入了GAN模型，设计出了人-人之间的交互。

另外一篇文章，引入了多任务学习，网格地图，并融合了感知与预测