自动驾驶轨迹预测论文阅读（一）Deep Learning-based Vehicle Behaviour Prediction For Autonomous Driving Applications

论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9158529（如果链接无法打开可以通过论文DOI从scihub下载）

[精读-机器学习方法估计预测综述]MOZAFFARI S, AL-JARRAH O Y, DIANATI M, 等, 2022. Deep Learning-based Vehicle Behaviour Prediction For Autonomous Driving Applications: A Review[J/OL]. IEEE Transactions on Intelligent Transportation Systems, 23(1): 33-47. DOI:10.1109/TITS.2020.3012034.

简介

轨迹预测作用：

支持有效的决策，并能够进行风险评估

轨迹预测的挑战：

车辆行为之间存在相互依赖性，其中车辆的行为会影响其他车辆的行为。因此，预测车辆的行为需要观察周围车辆的行为。

车辆的未来行为是多模式的。

术语：

Target Vehicles (TVs)

Ego Vehicle (EV)

Surrounding Vehicles (SVs)

Non Effective Vehicles (NVs)

分类

基于三个不同的标准提出了三个分类：输入表示、输出类型和预测方法。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RuyLJlXU-1657107556880)(iamge/image-20220706104818887.png)]

input type

Track History of the TV

This feature can be estimated if the TV is observable by the EV’s sensors.如果 EV 的传感器可以观察到TV，则可以估计此功能。

由于车辆行为的相互依赖性，从输入集中排除可观察的 SV 状态可能会导致对 TV 行为的不准确预测。

尽管TV的轨迹历史具有关于其短期未来运动的高度信息特征，但仅依赖电视的轨迹历史可能会导致错误的结果，特别是在拥挤的驾驶环境中的长期预测中。

Track History of the TV and SVs

现有的研究在如何将场景中的车辆划分为周围车辆（SV）和无效车辆（NV）方面存在差异。

在 [23]