智能驾驶中预测模块简介

1.轨迹预测的定义

轨迹预测是自动驾驶系统"感知-预测-规控"流程中的核心环节,位于感知与规划模块之间,起到承上启下的作用。感知系统负责检测道路环境中的动态和静态元素,包括车辆、行人、自行车、交通标志、车道线等,而预测模块的任务是对这些动态对象(Agent)的未来轨迹进行推测,为后续的决策和规划提供参考。

在实际应用中,轨迹预测通常基于以下两类输入信息:

  • map 信息:包括车道线、交叉口、可行驶区域等静态元素。
  • Agent 信息:如位置、速度、航向角等动态信息。

轨迹预测主要涉及两个方面:

  1. 预测终点位置:即某个时间点 Agent 可能到达的位置。
  2. 预测完整轨迹:从当前位置到终点的运动路径,同时考虑不确定性建模问题。

现在大家不都是在提倡感知规控"端到端"吗?为什么还要拆开介绍?个人理解:完全端到端还有一段时间要走,了解预测模块,没什么坏处。

2.轨迹预测的定位

在传统的自动驾驶系统中,感知模块输出的结果直接影响预测模块,而预测模块的输出又会影响决策与规划模块。然而,这种架构存在一定的局限性:

  • 误差传递:如果感知模块未能正确检测到某个 Agent,预测模块也无法给出合理的轨迹预测。
  • 系统僵化:预测模块仅依赖感知结果,缺乏对未来可能性更全面的理解,难以适应复杂场景。

因此,近年来大家都在研究如何使预测与感知更紧密结合,以提高系统的鲁棒性。

3.轨迹预测的挑战

轨迹预测面临的挑战有多个方面,例如:

  1. 感知误差传递 如果感知模块未能准确捕捉 Agent 的运动轨迹,预测模块的结果也会受到影响。例如:感知模块可能对某辆车的位置和速度估计不准确,影响轨迹预测。
  2. 不确定性挑战 轨迹预测是一个不确定性问题,即同一个 Agent 在未来可能采取多种不同的行动。例如:车辆可能选择直行、变道或停车、行人可能选择继续行走或停下。如何处理这些不确定性,很有挑战。
  3. Corner Case 处理 自动驾驶系统必须能够应对极端情况(Corner Cases),例如:"鬼探头"、"汽车 S 形行驶"等不常规情况的预测。
  4. 预测与决策的配合 预测模块的输出通常是多个可能轨迹,而决策和规划模块需要根据这些轨迹做出合理判断。例如:过于保守的预测可能会让自动驾驶车辆频繁刹车或减速,影响驾驶体验;过于激进的预测可能会导致错误判断,提高事故风险。

4.典型预测算法

本节知道几个轨迹预测算法名字就行。

4.1 TNT

Target-driven Trajectory Prediction:TNT 是基于 VectorNet 对高精地图和车辆动态进行编码后,将轨迹预测问题转化为终点预测问题。

4.2 Wayformer

Motion Forecasting via Simple & Efficient Attention Networks:Wayformer 是一个基于注意力机制的运动预测架构,由基于注意力的场景编码器和解码器组成,研究了输入模式的前融合、后融合和分层融合的选择,通过分解注意力来权衡效率和质量。

4.3 QCNet

Query-Centric Trajectory Prediction:QCNet 采用 query-centric 的框架,对场景进行编码时可以重复使用已计算的结果,不依赖于全局的时空坐标系,同时不同 agent 共享场景特征,使得 agent 的轨迹解码过程可以更加并行处理。

5.轨迹预测的评价指标

为了衡量轨迹预测模型的精度,通常采用以下指标,这些指标都是数值越小越好:

5.1 平均位移误差

ADE(Average Displacement Error)计算所有时间步的预测轨迹点与真实轨迹点的欧几里得距离均值,适用于评估轨迹预测的整体误差。

5.2 最终位移误差

FDE(Final Displacement Error)计算预测轨迹的终点与真实终点的欧几里得距离,用于关注最终预测点的准确性。

5.3 最小平均位移误差

minADE-K 选择前 K 条预测轨迹中误差最小的一条计算 ADE,衡量多模态预测的最优表现。

5.4 最小最终位移误差

minFDE-K 选择前 K 条预测轨迹中误差最小的一条计算 FDE,关注终点预测的最优表现。

5.5 Miss Rate( MR)

计算 m 条轨迹中,有 n 条 FDE 超过 2m 的比例,用于衡量预测轨迹的整体可靠性。

6.未来发展趋势

随着自动驾驶技术的不断发展,轨迹预测领域也呈现出新的发展趋势:

感知预测融合 或 端到端

  • 传统方法将感知和预测作为两个独立模块,而新一代模型正在探索联合感知与预测,即直接在感知阶段输出未来轨迹,提高预测准确性。
  • 采用端到端方法,从感知到控制一体化优化,提高系统整体性能。

强化学习:通过强化学习优化轨迹预测,使其更加符合规划和决策需求。

相关推荐
张彦峰ZYF33 分钟前
高频面试题(含笔试高频算法整理)基本总结回顾63
linux·运维·算法
alphaTao2 小时前
LeetCode 每日一题 2025/3/31-2025/4/6
算法·leetcode
Andrew_Ryan2 小时前
android use adb instsll cacerts
算法·架构
Wx120不知道取啥名3 小时前
C语言跳表(Skip List)算法:数据世界的“时光穿梭机”
c语言·数据结构·算法·list·跳表算法
禾小西3 小时前
Java 逐梦力扣之旅_[204. 计数质数]
java·算法·leetcode
LuckyLay4 小时前
LeetCode算法题(Go语言实现)_32
算法·leetcode·golang
ゞ 正在缓冲99%…4 小时前
leetcode295.数据流的中位数
java·数据结构·算法·leetcode·
文弱_书生4 小时前
关于点扩散函数小记
数码相机·算法·数学原理
爪娃侠4 小时前
LeetCode热题100记录-【二叉树】
linux·算法·leetcode
圣保罗的大教堂5 小时前
《算法笔记》9.8小节——图算法专题->哈夫曼树 问题 E: 合并果子-NOIP2004TGT2
算法