【笔记】自动驾驶预测与决策规划_Part2_基于模型的预测方法

基于模型的预测方法

    • [0. 前言](#0. 前言)
    • [1. 预测系统概述](#1. 预测系统概述)
    • [2. 定速度预测](#2. 定速度预测)
    • 3.定曲率预测
    • [4. 短时预测与长时预测](#4. 短时预测与长时预测)
    • [5. 基于手工特征的意图预测](#5. 基于手工特征的意图预测)
    • [6: 基于模型的轨迹预测](#6: 基于模型的轨迹预测)

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

相关推荐
985小水博一枚呀34 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
AltmanChan35 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀39 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
数据与后端架构提升之路1 小时前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
爱技术的小伙子1 小时前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
咔叽布吉1 小时前
【论文阅读笔记】CamoFormer: Masked Separable Attention for Camouflaged Object Detection
论文阅读·笔记·目标检测
johnny2331 小时前
《大模型应用开发极简入门》笔记
笔记·chatgpt
亦枫Leonlew1 小时前
微积分复习笔记 Calculus Volume 1 - 4.7 Applied Optimization Problems
笔记·数学·微积分·1024程序员节
小肥象不是小飞象1 小时前
(六千字心得笔记)零基础C语言入门第八课——函数(上)
c语言·开发语言·笔记·1024程序员节
星LZX1 小时前
WireShark入门学习笔记
笔记·学习·wireshark