Apollo入门课程[5]——预测

预测简介

无人驾驶车需要预测物体的行为确保做出最佳决策。通过生成一条路径来预测一个物体的行为。
预测路径有实时性和准确性的要求：

• 实时性是指我们想要算法的延迟越短越好
• 准确性需要我们做出的预测尽可能保持准确。

预测模块应该能够学习新的行为，当路上有很多车辆，情况将变得复杂，开发出每种场景的静态模型是不可能完成的任务，这就是为什么需要当遇到这样的问题时，预测模块能够学习新的行为，这可以使算法随着时间的推移而提升预测能力。
两种基本预测类型：

• 基于模型预测：更具分析性
• 数据驱动预测

不同的预测方式

基于模型预测
为上图场景构建了两个候选的预测模型，一个模型描述了该车进行右转弯，另一个模型描述了该车继续直行。在此刻，我们认为任意一种模式发生的概率都是相同的，所以我们有两个候选模型，每个模型都有自己的轨迹。我们继续观察移动车的运动，看它与哪一条轨迹更加匹配。如果车辆开始向左改变车道，车辆可能直行。如果我们要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。
基于模型的方法的优点在于它的直观，并且它结合了我们现有的物理知识以及交通法规还有人类行为多方面知识
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，一旦机器学习模型训练好，我们就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。

基于车道的预测

Apollo提供一种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，每部分都覆盖了一个易于描述车辆运动的区域。

eg.
这里是一个部分区域的十字路口，需要关注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（车道序列）
直行汽车的运动可以描述为：车道序列是0-1-3-7

障碍物状态

为了预测物体的运动，需要知道物体的状态（位置、速度朝向和加速度），无人车还需考虑车道段内物体的位置。

eg.
预测模块会考虑从物体到车道线段边界的横向和纵向距离。


预测模块还包括之前时间间隔的状态信息以便预测更准确。

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。
eg.简单例子：预测车道线段之间的过渡
在车道段0检测到车辆，预测接下来及各时间段它如何行驶。

• 它只有两种行驶路径：右转或直行。将预测问题简化为选择问题。
  
• 选择车辆最有可能的车道顺序，这个可以通过计算每个车道序列的概率来选择。使用一个模型*（该模型用于提供车辆可能采取每个车道序列的概率）*，将车辆状态和车道段作为输入。需要模型可以学习新的行为，为此应该使用观测的数据对模型进行经验性训练，训练时要给模型车辆状态和车道段还有对象最终选择哪条车道序列。
  

递归神经网络

递归神经网络（RNN） 是一种利用时间序列数据特征的一种预测方法。
多层感知网络（MLP）
多重结构的递归神经网络（MLP单元），从数据序列中提取出高级特征。每个MLP单元将序列的一个元素作为输入并预测序列的下一个元素作为输出。为了对元素之间的顺序关系建立模型，在每个单元之间建立了一个额外的连接，这意味着每个单元根据原始输入和前一个单元的输出进行预测，这就是RNN的基本结构。

Apollo使用RNN建立一个模型来预测车辆的目标车道，Apollo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，Apollo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。
预测：

训练：

轨迹生成

预测的最后一步。一旦我们预测到物体的车道序列，我们就可以预测物体的轨迹，在任何两点A和B之间，物体的行进轨迹有无限的可能。

我们如何预测最有可能的轨迹？，我们可以先通过设置约束条件，来去除大部分候选轨迹。
首先，假定汽车将与目标车道的中心对齐（约束）

接着去除车辆无法执行的轨迹

通过考虑车辆当前速度、加速度从剩余轨迹选择。
车辆在两点的位置和方位是运动模型的初始状态和最终状态，可以用这两个条件来拟合一个多项式模型。