根据自己的位置、其他车辆的情况,做预测?
预测啥?
凭什么?
预测对时延要求很高
预测:知道之后周围环境会发生什么,从而知道能怎么做,根据自己的目的,那么也就知道该怎么做了
不同的预测方式
基于模型
结合的是知识。
根据交通规则、常识、人类行为、物理知识等进行判断
数据驱动
依靠的是数据。
使用机器学习的方法,进行训练,实现预测
基于车道的预测
为了简化车辆行驶路线的预测,提出了车道序列的概念
障碍物状态
这部分主要是说“我们需要了解物体的状态”
诸如位置、朝向、速度、加速度
车道的横向、纵向距离
以及时间间隔
预测目标车道
根据车辆的状态、所处的车道,预测他可能的行进路线。
通过大量的训练(车道情况、车辆状态为输入,接下来的形式路线为输出),提升预测精确度。
递归神经网络(RNN)
- 每个MLP以序列中的某一元素作为输入,对下一元素的预测作为输出
- 自己的输出不仅依赖于输入,还依赖于上一节点的输出
那么MLP是啥?
MLP:输入经过隐藏层得到结果,如下图(最简单的MLP)
递归神经网络在车道预测中的作用
车道情况、车辆状态分别给到两个RNN网络,将这两个RNN的数据一同给到另一个模型,并输出高概率的车道序列
轨迹生成
根据初始pose和目标pose,拟合一个多项式模型,用该模型来进行预测。
pose:车前端指向的方向,和车身倾斜的角度