0. 前言

本文主要记录课程《自动驾驶预测与决策技术》的学习过程，难免会有很多纰漏，感谢指正。
课程链接：https://www.shenlanxueyuan.com/my/course/700

1. 预测系统概述

通过已有的感知及常识，推理出目标一段时间后的行为，来决定自己当前的动作。

预测系统的必要性

预测结果的的多模态性、不确定性。

预测系统的架构

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。

一维状态向量：

与感知耦合密切, 目标的Yaw 与 Vel 会影响预测的轨迹。

二维匀速运动模型

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。

定曲率预测 --> 恒转角预测 --> yawrate (感知给出)

缺点：曲率估计不准确时，误差会比较大。

对比：

共同局限：长时间区间会失准！

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，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。

基于SVM的意图分类

支持向量机Support Vector Machine（SVM）

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？

• 变道前一段时间，预测出其变道行为，需要提前多久？

基于神经网络的意图预测

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。

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：选择对应扇区的概率。

根据障碍车车辆heading将周围区域分为12个扇形，如果扇形内存在驶离路口，则将其mask置1。

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。

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。

基于隐马尔可夫模型的意图估计

6: 基于模型的轨迹预测

如何将短时轨迹结合长时意图

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？

objective： 1. 贴合短时轨迹 2.符合常识意图

constraint： 1. 满足运动学约束 2. 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。 （Planner 三把斧：搜索、采样、优化。对该问题，不适用）， 使用现有的轨迹生成方式

Bezier曲线生成长时轨迹

控制点的生成策略 --> 决定曲线的生成。
意图预测判断出车道后，可以灵活基于地图抽取控制点。

Bezier曲线基本原理

Bezier曲线的数学方法

Bezier曲线生成效果

意图预测 --> 查询地图等 --> 长时控制点

短时预测 --> 短时控制点

长时控制点+短时控制点 --> 插值去重拟合 --> 长时轨迹

EPSILON: Intention Prediction Network

参考：https://arxiv.org/pdf/2108.07993.pdf https://zhuanlan.zhihu.com/p/32085405