36、上下文感知的意图与轨迹预测及机器人学习相关研究

上下文感知的意图与轨迹预测及机器人学习相关研究

在自动驾驶和机器人控制领域，意图与轨迹预测以及机器人学习方法是关键的研究方向。下面将分别介绍上下文感知的意图与轨迹预测以及机器人学习的相关内容。

上下文感知的意图与轨迹预测

1. 特征定义与LSTM网络
   • 定义了一些关键特征，如：
     • $\delta x$：与上一时间步相比横向姿态的变化
     • $\delta y$：与上一时间步相比纵向姿态的变化
     • $ll$：左车道是否存在（布尔值0/1）
     • $rl$：右车道是否存在（布尔值0/1）
     • $d_{center}$：与车道中心的距离，对于平均宽度为3米的车道，该值范围从 -1.5米到1.5米
   • LSTM网络使用包含4个样本的1秒样本序列进行训练，实时输出未来1个时间步（即0.25秒）的预测结果，并将输出转换为三个类别（车道保持、右车道变更和左车道变更）的概率分布。
2. 轨迹预测
   • 车辆轨迹具有随机性，受不同驾驶员行为和道路情况影响。但结合道路结构、驾驶员意图和目标车辆过去的姿态，可以合理预测其最可能的轨迹。
   • 根据道路上下文信息生成可能的假设，例如在双车道道路上，左车道行驶的车辆可能保持当前车道或进行右车道变更。
   • 对于每个假设，横向分量用5阶多项式建模，纵向分