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