預(yù)測(cè)路徑目標(biāo)要求：
實(shí)時(shí)性要求：想要我們的算法的延時(shí)越短越好
準(zhǔn)確性要求：能讓無(wú)人車盡可能準(zhǔn)確的做出決策
預(yù)測(cè)模塊也應(yīng)該能學(xué)習(xí)新的行為
預(yù)測(cè)的兩種不同方式：
- 基于模型的預(yù)測(cè)
例如：怎樣預(yù)測(cè)左側(cè)的車是直行還是右轉(zhuǎn)眯杏？
基于模型的預(yù)測(cè)，無(wú)人車將會(huì)提供兩個(gè)模型，預(yù)測(cè)車輛直行的模型和右轉(zhuǎn)的模型，然后根據(jù)預(yù)測(cè)車輛的下一步來(lái)更新模型，最終確定車輛下一步的動(dòng)作旬牲。
- 數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)
數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)使用機(jī)器學(xué)習(xí)算法，通過(guò)觀察結(jié)果來(lái)訓(xùn)練模型，一旦機(jī)器模型訓(xùn)練好遂黍，就可以在現(xiàn)實(shí)中利用此模型去做做預(yù)測(cè)终佛。
數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)優(yōu)點(diǎn)：訓(xùn)練數(shù)據(jù)越多訓(xùn)練模型效果越好
基于模型預(yù)測(cè)優(yōu)點(diǎn)：比較直觀，并且結(jié)合了現(xiàn)有的物理知識(shí)和交通法規(guī)還有人類行為多方面知識(shí)雾家。
基于車道系列的預(yù)測(cè)
為了建立車道系列铃彰，現(xiàn)將車道分為多個(gè)部分，每一部分覆蓋了一個(gè)易于描述車輛運(yùn)動(dòng)的區(qū)域芯咧，我們?nèi)绻A(yù)測(cè)別的車輛運(yùn)動(dòng)狀態(tài)牙捉，只要預(yù)測(cè)該車在此區(qū)域的轉(zhuǎn)換，而不是在某一區(qū)域的具體行為敬飒。
將車輛的行為劃分為一組有限的模式組合邪铲，并將這些模式組合描述物車道的系列。例如：將直行車的路徑劃分為一個(gè)0-1-3-7的系列无拗。
障礙物狀態(tài)
為了預(yù)測(cè)物體的運(yùn)動(dòng)带到，需要了解障礙物的狀態(tài)，一般人是通過(guò)物體朝向英染，位置揽惹，速度，加速度等來(lái)預(yù)測(cè)物體將做什么四康？
無(wú)人車也是同樣的道理永丝，除了朝向，位置箭养，速度慕嚷，加速度外，無(wú)人車還得考慮該段車道內(nèi)物體的位置毕泌。例如：預(yù)測(cè)模塊會(huì)考慮從物體到車道路線段邊界的縱向和橫向距離喝检，預(yù)測(cè)模塊還包括前面提到的時(shí)間間隔狀態(tài)信息，以便做出更準(zhǔn)確的信息撼泛。
預(yù)測(cè)目標(biāo)車道
前面運(yùn)用車道系列將一個(gè)復(fù)雜的問(wèn)題簡(jiǎn)單化了挠说，現(xiàn)在是預(yù)測(cè)車輛最有可能采取的車道系列≡柑猓可以通過(guò)計(jì)算每個(gè)車道系列的概率來(lái)進(jìn)行選擇损俭。我們需要一個(gè)模型，將車輛狀態(tài)和車道系列作為輸入潘酗，該模型用于提供車輛可能采用每個(gè)車道系列的概率杆兵，我們希望我們的模型能學(xué)習(xí)新的行為，因此應(yīng)該使用觀測(cè)數(shù)據(jù)對(duì)模型進(jìn)行經(jīng)驗(yàn)性訓(xùn)練仔夺，整改記錄由一系列車道段和對(duì)象相關(guān)狀態(tài)組成琐脏。
遞歸神經(jīng)網(wǎng)絡(luò)或RNN
RNN是利用時(shí)間系列數(shù)據(jù)特征的一種預(yù)測(cè)方法，利用神經(jīng)網(wǎng)絡(luò)建立多重結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)，稱做MLP單元日裙，從數(shù)據(jù)中提取高級(jí)特征吹艇，每個(gè)MLP單元將系列的一個(gè)元素作為一個(gè)輸入，并預(yù)測(cè)系列的下一個(gè)元素作為輸出昂拂，為了對(duì)元素的順序關(guān)系建立模型受神，在每個(gè)單元之間建立額外的連接，這意味著每個(gè)單元根據(jù)原始輸入和前一單元的輸出進(jìn)行預(yù)測(cè)格侯，這就是RNN的基本結(jié)構(gòu)路克。
RNN在目標(biāo)車道預(yù)測(cè)中的應(yīng)用
Apollo為車道系列提供一個(gè)RNN模型，為相關(guān)對(duì)象狀態(tài)提供另一個(gè)RNN模型养交，Apollo連接這兩個(gè)RNN的輸出并將其饋送到另一個(gè)神經(jīng)網(wǎng)絡(luò)精算，該神經(jīng)網(wǎng)絡(luò)會(huì)估計(jì)每個(gè)車道系列的概率，具有最高概率的車道系列碎连，是我們預(yù)測(cè)目標(biāo)車輛將遵循的系列灰羽。
為了訓(xùn)練這個(gè)網(wǎng)絡(luò)，比較真值鱼辙，得出誤差廉嚼，反向傳播更新權(quán)重，從而使得模型更好倒戏，預(yù)測(cè)結(jié)果更精確怠噪。
軌道生成
軌道生成是預(yù)測(cè)的最后一步，一旦我們預(yù)測(cè)到物體的車道系列杜跷，我們就可以預(yù)測(cè)物體的軌跡傍念，在任何兩個(gè)點(diǎn)A和,B之間，物體的行進(jìn)軌跡有無(wú)限種可能葛闷。
如何確定我們想要的軌跡憋槐？可以先設(shè)置條件去除大部分的軌跡路線，我們并不是逐一排除淑趾，相反阳仔，只是在數(shù)學(xué)理論上來(lái)運(yùn)用這一想法，注意車輛在兩點(diǎn)之間的位置和方位扣泊，這兩個(gè)姿勢(shì)表示運(yùn)動(dòng)模型的初始狀態(tài)和最終狀態(tài)近范，我們可以使用這兩個(gè)條件來(lái)擬合一個(gè)多項(xiàng)式模型，在大多數(shù)情況下延蟹，這種多項(xiàng)式足夠滿足預(yù)測(cè)评矩。RNN在目標(biāo)車道預(yù)測(cè)中的應(yīng)用
Apollo為車道系列提供一個(gè)RNN模型，為相關(guān)對(duì)象狀態(tài)提供另一個(gè)RNN模型等孵，Apollo連接這兩個(gè)RNN的輸出并將其饋送到另一個(gè)神經(jīng)網(wǎng)絡(luò)稚照，該神經(jīng)網(wǎng)絡(luò)會(huì)估計(jì)每個(gè)車道系列的概率，具有最高概率的車道系列俯萌，是我們預(yù)測(cè)目標(biāo)車輛將遵循的系列果录。
為了訓(xùn)練這個(gè)網(wǎng)絡(luò)，比較真值咐熙，得出誤差弱恒，反向傳播更新權(quán)重，從而使得模型更好棋恼，預(yù)測(cè)結(jié)果更精確返弹。
軌道生成
軌道生成是預(yù)測(cè)的最后一步，一旦我們預(yù)測(cè)到物體的車道系列爪飘，我們就可以預(yù)測(cè)物體的軌跡义起，在任何兩個(gè)點(diǎn)A和,B之間，物體的行進(jìn)軌跡有無(wú)限種可能师崎。
如何確定我們想要的軌跡默终？可以先設(shè)置條件去除大部分的軌跡路線，我們并不是逐一排除犁罩，相反齐蔽，只是在數(shù)學(xué)理論上來(lái)運(yùn)用這一想法，注意車輛在兩點(diǎn)之間的位置和方位床估，這兩個(gè)姿勢(shì)表示運(yùn)動(dòng)模型的初始狀態(tài)和最終狀態(tài)含滴，我們可以使用這兩個(gè)條件來(lái)擬合一個(gè)多項(xiàng)式模型，在大多數(shù)情況下丐巫，這種多項(xiàng)式足夠滿足預(yù)測(cè)谈况。
