1.1 轨迹预测概述

category
type
status
slug
date
summary
tags
password
icon

1.1.1 基本概念

当我们参与交通的时候, 通常会观察并猜测周围的交通参与者的行为, 比如说猜测对方是否会加速,变道等等. 基于这些猜测, 我们会进一步采取行动(比如减速避让)来避免潜在的危险. 对于自动驾驶系统, 预测其他交通参与者的行为, 由轨迹预测模块完成.
notion image
如上图所示, 轨迹预测的结果受到很多因素的影响:
  • 交通参与者的数量和种类 (车辆, 自行车, 行人等)
  • 交通参与者的相互影响 (Inter-dependencies between Vehicles， 即车辆之间 或者是车辆和行人之间的相互影响)
  • 交通参与者与环境的相互影响 (图中红绿灯对参与者的影响等)
  • 历史信息 (自车, 参与者过去的行为信息)
  • 观测的不确定性
  • 计算资源的多少

1.1.2 轨迹预测方法分类

notion image
轨迹预测的方法, 大体可以分为这样几类:

1.1.2.1 基于物理学的预测方法

主要是指基于车辆的物理学来进行预测的方法, 包括基于车辆动力学模型, 车辆运动学模型. 动力学模型的预测方法可能会非常复杂, 但是对于预测方法来说, 复杂的动力学模型带来的效果提升非常有限. 在大部分情况下, 简单的运动学模型(通常使用自行车模型)即可满足预测需求.
基于物理学的预测是最早被使用, 同时也是最简单的预测方法. 主要的方法有:
  • 恒速度预测方法
  • 恒加速度预测方法
  • 恒转向速度预测方法
  • …

1.1.2.2 基于经典机器学习的预测方法

经典机器学习是采用数据驱动的预测方法, 主要通过挖掘数据特征来确定概率发布. 主要的方法有:
  • 高斯过程(Gaussian Process)
  • 支持向量机(SVM)
  • 隐马尔科夫过程(HMM)
  • 动态贝叶斯网络(Dynamic Bayesian Network)

1.1.2.3 基于深度学习的预测方法

在深度学习逐渐占据主流之后, 基于深度学习的预测方法也成了学界和业界最主流的预测方法.
因为深度学习不仅能考虑目标和环境的物理信息, 还能考虑到他们之间的交互信息, 这极大的提升了预测结果的质量. 这也是本课程主要讲解的预测方法, 主要有以下分类:
  • 卷积神经网络(CNN)
  • 循环神经网络(RNN)
  • 图神经网络(GNN)
  • 注意力机制

1.1.2.4 基于强化学习的预测方法

强化学习的预测方法一般是用来生成自车的预测轨迹, 大部分方法都基于马尔科夫过程(MDP)来最大化累计期望收益. 强化学习的预测方法能够更深入的考虑自车与目标的交互过程, 但是需要高昂的计算成本和训练时间.
  • 逆强化学习(IRL)
  • 深度逆强化学习(DIRL)

参考论文:

  • Huang, Yanjun, et al. "A survey on trajectory-prediction methods for autonomous driving." IEEE Transactions on Intelligent Vehicles 7.3 (2022): 652-674.
A_Survey_on_Trajectory-Prediction_Methods_for_Autonomous_Driving.pdf
3398.6KB
上一篇
动手学控制理论
下一篇
端到端-理论与实战视频课程
Loading...