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。
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