作者 | 胖胖橙 编辑 | 自动驾驶之心
原文链接：https://zhuanlan.zhihu.com/p/12939525225
点击下方
卡片
，关注“
自动驾驶之心
”公众号
>>
点击进入→
自动驾驶之心
『
规划控制
』
技术交流群
本文只做学术分享，如有侵权，联系删文
1. 预测系统概述
通过已有的感知信息及常识，推理出目标一段时间后的行为，来决定自己当前的动作。
自动驾驶系统架构
1.1 预测系统的必要性
Cut In 场景
对于隔壁车道目标 cut in 场景，如何平衡召回率（Recall）和准确率（Accuracy），对决策规划分别有何影响？
如果recall过低，隔壁车辆切入，会存在误检，存在碰撞风险。
如果Accuracy过低，可能存在误识别隔壁车切入，存在误制动问题。
召回率（Recall） 和 准确率（Accuracy）
召回率（Recall） 和 准确率（Accuracy） 都是用于评估分类模型性能的重要指标，但它们侧重点不同，适用于不同的场景。
-
召回率主要衡量的是模型能够识别出多少实际存在的目标（正样本）。它的核心关注点是减少漏报，即确保尽可能多的目标被正确识别，特别是在自动驾驶场景中，涉及检测行人、车辆、障碍物等时尤为关键。
-
其中，TP（True Positive）：正确预测为目标的数量，FN（False Negative）：漏掉的实际目标的数量。
-
召回率高意味着系统漏掉的目标较少，减少了碰撞或事故的风险，但它可能会增加误报的风险。
-
准确率衡量的是所有预测中，模型预测正确的比例。它包括正确的正样本（TP）和负样本（TN）。
-
其中，TN（True Negative）：正确预测的负样本，FP（False Positive）：误报的负样本。
-
准确率高并不总是意味着模型好，特别是在数据不平衡的情况下。
预测结果的的多模态性、不确定性。
意图多模态，预测不可能百分百准确。预测系统主要考虑一下几个问题：
预测结果多模态、不确定
1.2 预测系统的架构
输入表征：agent feature、map、其他辅助信息.
输出表征：trajectory\intention、object、scenarios.
预测系统架构
轨迹预测的输入输出
1.3 预测系统的发展
预测系统的发展
2. 定速度预测
一维匀速运动模型：感知信息不确定，道路结构缺失等情况，适用CV 模型。
目标做匀速直线运动，加速度为0。现实中速度会有轻微扰动变化，可视为具有高斯分布的噪声。
一维运动：仅沿着 x 轴或 y 轴方向运动，因此状态向量只需要描述位置和速度。
一维状态向量：
局限
：与感知耦合密切, 目标的yaw 与 velocity会影响预测的轨迹。感知系统存在的误差，会直接影响到预测。
二维匀速运动模型
二维模型：在 x-y 平面上运动，状态向量需要同时描述 x 和 y 两个方向的位置和速度。
二维连续模型
二维离散模型
3.定曲率预测
目标车过去按照某一曲率运动，假设会继续按照该曲率运动。
-
定曲率意味着物体的运动轨迹具有恒定的曲率，即轨迹为一个圆弧或圆的一部分。
-
在物体运动时，转向角速度（yaw rate）保持不变，因此物体会沿着一个固定半径的圆弧运动。
定曲率预测模型
缺点：曲率估计不准确时，误差会比较大。
定曲率预测的bad case
共同局限：长时间区间会失准！
定速度、定曲率预测对比
4. 短时预测与长时预测
预测不确定性随着预测时间变长显著增大。
-
短期预测：基于运动学模型或者预测网络，完成短时推演，一般为 3s。
-
长期预测：结合意图预测，稳定长时预测，避免远端发散，符合道路结构一般为 8s+。
如何解决 预测时间越长，预测越不准确的问题？引入 意图预测。
5. 基于手工特征的意图预测
-
意图：预先定义的车流行为，如变道，左右转等。意图一般会绑定到车道、路口两个信息上。
-
分类：基于车辆的行为特征，对车辆的意图进行分类。意图转变为分类问题。
常见预测场景
5.1基于SVM的意图分类
支持向量机Support Vector Machine（SVM）
支持向量机Support Vector Machine
以预测目标车是否会变道为例，二分类问题。
手工特征标记：距离目标车道的横向距离、距离目标车道的横向速度、道路实线、虚线 、目标车与前车的距离或者速度等等 。
-
特征如何选取？选择哪些维度？拓展特征维度有什么意义？
-
变道前一段时间，预测出其变道行为，需要提前多久？（超参，变道趋势不一样。如果较早，缓慢变道与Lane keep不易区分，较晚，较低预测性能）
预测目标车是否会变道
SVM 输入输出案例
5.2 基于神经网络的意图预测
将原始信息进行编码，使用高维向量进行输入，通过多层感知机预测障碍车会选择哪一条车道行驶，输出每个车道线的概率。DNN + Rule兜底。
Apollo 5.0
5.3 其他的输出建模方法
将路口进行扇区划分进行交通路口的变道意图预测
-
输入：障碍物自身运动历史，路口车道信息，周围其他障碍物信息。
-
模型：以障碍物车朝向为参考方向，划分为12个扇形区域；记录每个扇形区域内是否有离开该路口的车道；将问题转化为12元分类问题。
-
输出：每一个扇形区域行驶的概率，然后对扇形区域内的所有lane segment赋上概率。
Apollo 5.0 对路口的处理
5.4 其他的输入建模方法
人工构造的输入特征有天然局限性
输入：语义地图渲染的方式，将障碍车的历史运动状态、车道的形状与连接关系，以及其他车的运动状态和历史，都转化为图像信息。（看图说话，根据图像信息，预测目标轨迹）
Multimodal Trajectory Predictions for Autonomous Driving using Deep Convolutional Networks
5.5 其他的分类模型建模
基于隐马尔可夫模型的意图估计
马尔可夫模型
6.基于模型的轨迹预测
6.1 如何将短时轨迹结合长时意图，生成长时轨迹？
长时轨迹生成 -> 轻量化的planner
通过意图估计得到目标车要驶入某个车道，并根据运动趋势等得到短时的运动轨迹，如何构造出长时预测轨迹？
优化目标：贴合短时轨迹、符合常识意图
约束条件：满足运动学约束 、与地图等信息匹配
寻找一个规划器，得到未来的轨迹点，并且要做到轻量化。
