Apollo无人驾驶入门课程笔记之预测 （五）

时间：2020.11.07
内容：无人驾驶之预测

一、预测简介

当人类在驾驶车辆的时候，我们必须去判断行人、车辆的意图，才能做出正确的预判保证行车安全。与之类似，无人车在道路上行驶时，也必然会与其他车辆、人等移动物体相遇，所以在规划路线和速度的时候也必须先对这些移动的物体进行预测。

而对于无人车的预测，其必须满足两个要求：实时性和准确性。实时性是指算法的延迟时间越短越好；准确性就更重要了，预测不准确极有可能造成无人车做出错误的决策。

二、预测方式

当前预测的方式主要有两个：基于模型的预测和基于数据的预测。

基于模型的预测更加贴近人类的驾驶方式，无人车根据实时接收到的信息，判断其他车辆的行驶路线，做出决策。

实例说明：假设无人车来到一个T型路口并且看到一辆车从左面行驶而来，此时还不清楚这辆车是要右转还是直行，用基于模型的方法可以为此场景构建了两个候选的预测模型。一个模型描述了进行右转弯，用绿色轨迹表示，另一个模型描述了继续直行，用蓝色轨道表示。认为任意一种模式发生的概率都是相同的，所以有两个候选模型，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，如果看到车辆开始向左改变车道，我们会更加确信车辆最终会直行另一方面如果看到车在右转弯车道保持前行，我们会更加倾向于预测对车辆右转，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。基于模型的方法的优点在于它的直观，并且结合了现有的物理知识以及交通法规还有人类行为多方面知识。

关于这两个预测方式，基于模型的易于理解，但基于数据的目前还未理解。

三、Apollo的预测方式

主要介绍了Apollo基于车道序列的预测方式。

详细内容（略）

四、递归神经网络

递归神经网络是无人车预测中的一种常用方法，更详细的内容，将会在以后专门学习。