作者 | 胖胖橙 编辑 | 自动驾驶之心
原文链接：https://zhuanlan.zhihu.com/p/12939525225
点击下方卡片，关注“自动驾驶之心”公众号
戳我-> 领取自动驾驶近15个方向学习路线
本文只做学术分享，如有侵权，联系删文
1. 预测系统概述
通过已有的感知信息及常识，推理出目标一段时间后的行为，来决定自己当前的动作。
1.1 预测系统的必要性
对于隔壁车道目标 cut in 场景，如何平衡召回率（Recall）和准确率（Accuracy），对决策规划分别有何影响？
如果recall过低，隔壁车辆切入，会存在误检，存在碰撞风险。
如果Accuracy过低，可能存在误识别隔壁车切入，存在误制动问题。
召回率（Recall） 和 准确率（Accuracy）
召回率（Recall） 和 准确率（Accuracy） 都是用于评估分类模型性能的重要指标，但它们侧重点不同，适用于不同的场景。
召回率（Recall）
召回率主要衡量的是模型能够识别出多少实际存在的目标（正样本）。它的核心关注点是减少漏报，即确保尽可能多的目标被正确识别，特别是在自动驾驶场景中，涉及检测行人、车辆、障碍物等时尤为关键。
其中，TP（True Positive）：正确预测为目标的数量，FN（False Negative）：漏掉的实际目标的数量。
召回率高意味着系统漏掉的目标较少，减少了碰撞或事故的风险，但它可能会增加误报的风险。
准确率（Accuracy）
准确率衡量的是所有预测中，模型预测正确的比例。它包括正确的正样本（TP）和负样本（TN）。
其中，TN（True Negative）：正确预测的负样本，FP（False Positive）：误报的负样本。
准确率高并不总是意味着模型好，特别是在数据不平衡的情况下。
预测结果的的多模态性、不确定性。
意图多模态，预测不可能百分百准确。预测系统主要考虑一下几个问题：
如何基于环境信息进行建模？
模型应该输出哪些信息？
对于长时间的预测应该怎么做？
1.2 预测系统的架构
输入表征：agent feature、map、其他辅助信息.
输出表征：trajectory\intention、object、scenarios.
1.3 预测系统的发展
2. 定速度预测
一维匀速运动模型：感知信息不确定，道路结构缺失等情况，适用CV 模型。
目标做匀速直线运动，加速度为0。现实中速度会有轻微扰动变化，可视为具有高斯分布的噪声。
一维运动：仅沿着 x 轴或 y 轴方向运动，因此状态向量只需要描述位置和速度。
一维状态向量：
局限：与感知耦合密切, 目标的yaw 与 velocity会影响预测的轨迹。感知系统存在的误差，会直接影响到预测。
二维匀速运动模型
二维模型：在 x-y 平面上运动，状态向量需要同时描述 x 和 y 两个方向的位置和速度。
3.定曲率预测
目标车过去按照某一曲率运动，假设会继续按照该曲率运动。
定曲率意味着物体的运动轨迹具有恒定的曲率，即轨迹为一个圆弧或圆的一部分。
在物体运动时，转向角速度（yaw rate）保持不变，因此物体会沿着一个固定半径的圆弧运动。
缺点：曲率估计不准确时，误差会比较大。
共同局限：长时间区间会失准！
4. 短时预测与长时预测
预测不确定性随着预测时间变长显著增大。
短期预测：基于运动学模型或者预测网络，完成短时推演，一般为 3s。
长期预测：结合意图预测，稳定长时预测，避免远端发散，符合道路结构一般为 8s+。
如何解决 预测时间越长，预测越不准确的问题？引入 意图预测。
5. 基于手工特征的意图预测
意图：预先定义的车流行为，如变道，左右转等。意图一般会绑定到车道、路口两个信息上。
分类：基于车辆的行为特征，对车辆的意图进行分类。意图转变为分类问题。
5.1基于SVM的意图分类
支持向量机Support Vector Machine（SVM）
以预测目标车是否会变道为例，二分类问题。
手工特征标记：距离目标车道的横向距离、距离目标车道的横向速度、道路实线、虚线 、目标车与前车的距离或者速度等等 。
特征如何选取？选择哪些维度？拓展特征维度有什么意义？
变道前一段时间，预测出其变道行为，需要提前多久？（超参，变道趋势不一样。如果较早，缓慢变道与Lane keep不易区分，较晚，较低预测性能）
5.2 基于神经网络的意图预测
将原始信息进行编码，使用高维向量进行输入，通过多层感知机预测障碍车会选择哪一条车道行驶，输出每个车道线的概率。DNN + Rule兜底。
5.3 其他的输出建模方法
将路口进行扇区划分进行交通路口的变道意图预测
输入：障碍物自身运动历史，路口车道信息，周围其他障碍物信息。
模型：以障碍物车朝向为参考方向，划分为12个扇形区域；记录每个扇形区域内是否有离开该路口的车道；将问题转化为12元分类问题。
输出：每一个扇形区域行驶的概率，然后对扇形区域内的所有lane segment赋上概率。
5.4 其他的输入建模方法
人工构造的输入特征有天然局限性
输入：语义地图渲染的方式，将障碍车的历史运动状态、车道的形状与连接关系，以及其他车的运动状态和历史，都转化为图像信息。（看图说话，根据图像信息，预测目标轨迹）
5.5 其他的分类模型建模
基于隐马尔可夫模型的意图估计
6.基于模型的轨迹预测
6.1 如何将短时轨迹结合长时意图，生成长时轨迹？
长时轨迹生成 -> 轻量化的planner
通过意图估计得到目标车要驶入某个车道，并根据运动趋势等得到短时的运动轨迹，如何构造出长时预测轨迹？
优化目标：贴合短时轨迹、符合常识意图
约束条件：满足运动学约束 、与地图等信息匹配
寻找一个规划器，得到未来的轨迹点，并且要做到轻量化。
Planner 三把斧：搜索、采样、优化，对该问题，不适用。使用现有的轨迹生成方式，如贝塞尔曲线、样条曲线等。
控制点的生成策略 --> 决定曲线的生成。意图预测判断出车道后，可以灵活基于地图抽取控制点。
Bezier曲线基本原理
Bezier曲线的数学方法
基于Bezier曲线的长时轨迹生成过程
意图预测 --> 根据意图查询地图，得到车道信息等 --> 长时控制点
短时预测轨迹 --> 短时控制点
长时控制点+短时控制点 --> 短时控制点与长时控制点衔接、插值去重拟合 --> 长时轨迹
6.2 EPSILON: Intention Prediction Network
arxiv.org/pdf/2108.07993.pdf
Agent历史轨迹 --> 特征抽取 --> 坐标转换/编码 --> 拼接/解码/归一化 --> 候选路径及概率
思考：全局归一化是否合适？
意图到轨迹：使用前向仿真,forward simulation，对于交互更加友好些，完成长时轨迹推演。
① 2025中国国际新能源技术展会
自动驾驶之心联合主办中国国际新能源汽车技术、零部件及服务展会。展会将于2025年2月21日至24日在北京新国展二期举行，展览面积达到2万平方米，预计吸引来自世界各地的400多家参展商和2万名专业观众。作为新能源汽车领域的专业展，它将全面展示新能源汽车行业的最新成果和发展趋势，同期围绕个各关键板块举办论坛，欢迎报名参加。
② 国内首个自动驾驶学习社区
『自动驾驶之心知识星球』近4000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（端到端自动驾驶、世界模型、仿真闭环、2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎扫描加入
③全网独家视频课程
端到端自动驾驶、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）
④【自动驾驶之心】全平台矩阵
扫一扫
1962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
