智能驾驶入门5——预测
预测简介
预测：在一个时间步对环境中的物体预测路径，帮助无人车规划一段时间内的路径。
预测路径的要求：
- 实时性：算法延迟尽量短
- 准确性
- 学习能力：使用多源的数据进行训练，使算法随着时间推移增强预测能力
两种基本预测类型
- 基于模型的：更具分析性
- 数据驱动的
从巨大的几何无限大的轨迹限制预测问题，使汽车可以在任何时间点保留下来的不连续的车道信息储存下来，简化预测，使其易于控制，预测也将成为决策的核心
不同的预测方式
- 基于模型的预测方式：在观测到一个物体时构建多个候选的模型，根据物体后续的运动决定选用哪一个模型。优点是该方法直观。
- 数据驱动型：使用机器学习算法，通过观察结果训练模型，模型被训练好之后就可以直接运用。优点是如果训练数据越多，训练模型效果越好。
基于车道的预测
建立车道序列：
- 将道路分成多个部分，每个部分覆盖一个易于描述车辆运动的区域。
- 将车辆的行为划分为一组有限的模式组合，这些模式组合就是车道序列
障碍物状态
- 朝向
- 位置
- 速度
- 加速度
- 车道段内物体的位置：如障碍物与车道线段边界的纵向与横向距离
- 之前时间间隔的状态信息
预测目标车道
转化问题：预测车道线之间的转换。将预测问题转化为选择问题
计算每个车道序列的概率：
- 建立模型：输入对象车辆状态和一系列车道段，输出概率
- 训练模型：训练模型学习新的行为，使用观测数据对模型进行经验性训练。此时输入的数据不仅仅是车辆状态和车道段，还有对象最终选择了哪一个车道序列。模型可以自我更新迭代，精确度提高。
递归神经网络RNN
（可再了解一下）
RNN:利用时间序列数据特征的一种预测方法。
MLP：多层感知网络，神经网络接收输入经过隐藏层处理后输出结果，即基本的神经网络结构
利用MIP单元在数据序列中提取高级特征：
- 每个MIP单元将序列的一个元素作为输入，预测序列的下一个元素作为输出。
- MIP单元之间按照数据序列的顺序建立一个额外连接。
- 因为MIP单元之间的相关性，第1个元素之后的输出结果都是基于上一个MIP单元输出的预测结果和原始输入得到的。
递归神经网络在目标车道预测的应用
车道序列分配一个RNN模型，车辆状态分配一个RNN模型，连接两个输出传递给另一个神经网络计算概率，并通过后向传播训练该神经网络。
轨迹生成
- 设置约束条件：去除大部分候选轨迹，如使轨迹和目标车道的中心对齐、去除车辆无法执行的轨迹、根据车辆的速度和加速度排除
- 根据运动模型的初始状态和最终状态拟合一个多项式模型（HOW？？）