自动驾驶TPM技术杂谈 ———— 交通环境行为预测

介绍

 一般来说，行为预测模块属于自动驾驶系统的决策规划层。自动驾驶在进行决策规划时，首先会从环境感知模块获取道路拓扑结构信息、实时交通信息、障碍物（交通参与者）信息和主车自身的信息，然后根据这些信息对其他动态障碍物未来的运动轨迹做预测。运动预测根据预测时间的长短可以分为长期预测和短期预测，涉及意图识别、行为预测和轨迹预测三个层面的内容。一般来说，若能充分考虑汽车的行驶意图，长期运动预测的结果更加准确。意图、行为和运动状态三者的抽象程度依次降低。
   1. 意图为驾驶员作为某种行为的目的；
   2. 行为是一段连续运动状态的抽象；
   3. 运动状态是车辆所体现出来的一些运动变量（位置、姿态、速度、加速度等）的集合。

交通参与者行为预测

 前面提到预测一般分为长期预测和短期预测。在这里长期和短期的定义其实并不明显。一般来说，短期预测的预测时长在1s以内，长期预测的预测时长一般在数秒乃至数十秒。短期预测是，目标体行为意图为变化，或者目标体意图可能发生变化但目标体动力学行为来不及发生变化，此时短程行为可以根据动力学或者运动学推算得到。长期预测时，目标体的行为意图可能发生变化且动力学行为能够随之改变，因此目标体行为受目标意图和周围环境信息影响极大，所以长期预测需要综合考虑目标意图和周围环境。

车辆行为预测

 大多数相关研究使用车辆历史轨迹来模拟其行为，基于该行为来预测未来轨迹。然而这种研究方向并未关注可能影响车辆在未来行驶轨迹对应场景中的道路拓扑结构、交通信息等特征。车辆的行驶轨迹由两个因素共同作用的结果：首先是驾驶员的行为，其次是外部环境因素。因此衍生了多种不同的轨迹预测思路：
   1. 基于物理模型的轨迹预测
   2. 基于行为模型的轨迹预测
   3. 基于神经网路的轨迹预测
   4. 基于交互的轨迹预测
   5. 基于仿生学的轨迹预测
   6. 多种途径相结合的轨迹预测

基于物理模型的轨迹预测

 该方法时基于物理的运动模型将车辆表示为受物理定律支配的动态实体。适用动力学和运动学模型预测未来运动，将一些控制输入（转向、加速度等），车辆属性和外部条件与车辆状态的演变联系起来。有大量的工作基于物理的车辆运动模型进行轨迹预测，这种方法仍是道路安全背景下最常用的轨迹预测和碰撞风险评估的的方法。车辆模型的复杂程度不一，他们的区别在于模型的动力学和运动学表现、如何处理不确定性、是否考虑道路的几何形状等。

动力学模型

 一般来说，动力学模型基于拉格朗日方程考虑影响车辆运动的不同力的作用。车辆受到复杂物理学（驾驶员对发动机、变速器、车轮等作用的影响）的控制，因此动力学模型可能非常复杂并且涉及车辆的众多内部参数。建立这种复杂的模型涉及与车辆控制相关的计算时是有必要的，但是在轨迹预测上，为了简化计算，一般会使用较为简单的模型。基于上述原因，轨迹预测中的动力学模型常常简化为"自行车"模型，这就意味着将四轮车辆简化为两轮车辆，并在二维平面上移动。

运动学模型

 运动学模型基于运动参数（位置、速度、加速度等）之间的数学关系来描述车辆的运动，此间忽略影响运动的力。在运动学模型中，摩擦力需要被忽略，并假设每个车轮的速度都与车轮方向相同。在轨迹预测方面，运动学模型比动力学模型更为常用。此外，动力学模型需要使用到的车辆内部参数无法被外部传感器所观察，这也是动力学模型使用受限的原因之一。运动学模型最简单的时恒速度（CV）和恒加速（CA）模型，这两个模型假设车辆是直线运动。恒转速和速度（CRTV）以及恒转加速度和加速度（CTRA）模型通过在汽车状态向量中引入偏航角和偏航率变量来考虑z轴的变化。由于速度和偏航率是分离的，因此模型的复杂度不高。通过考虑转向角而不是状态变量中的横摆率，可以用”自行车“模型来表示汽车模型。这种模型考虑了速度和横摆角之间的相关性，从中可以导出恒定转向角和速度（CSAV）以及恒定加速度和加速度（CSAA）。

 上述提到的车辆模型可以以各种方式用于轨迹预测，它们之间的主要区别在于如何处理预测的不确定性。

基于行为模型的轨迹预测

 基于行为的模型解决了基于物理模型的不考虑车辆行为的问题。在这种模型下每辆车辆都被看作一个正在进行某种交通行为的客观运动莫表，基于行为先验信息可以帮助推测未来一段时间某种行为的运动特征，因此可以较为准确地实现较长时间的运动预测。基于行为模型的轨迹预测方法常用的有直接通过原型轨迹来预测和先识别驾驶员意图再进行预测这两种方式。
 在结构化的道路环境下，车辆的运动轨迹可以根据道路拓扑分类为有限个轨迹簇，这些轨迹簇对应着典型的车辆行为。基于原型轨迹的方法就是将感知到的他车轨迹与先验的运动模式进行匹配，然后根据匹配的结果结合原型轨迹来进行运动预测。通常通过学习的方法，对样本轨迹进行分类学习，从而获得原型轨迹。可以通过谱聚类（Spectral Clustering）方法对采集的轨迹进行分类，也可以通过简单求解样本的均值和标准差来进行分类。基于原型轨迹的预测方法中，感知到的目标历史轨迹和计算得到的运动模式之间的匹配方法是影响预测准确性的关键。在整个过程中，需要定义一个度量来表征一段轨迹与原型轨迹之间的契合程度。有方法通过两条轨迹中的轨迹点之间的欧几里得距离来表示，有方法通过最长共同序列来计算两个轨迹序列之间的相似程度。使用原型轨迹的方法主要问题在于对路面拓扑结构信息的严重依赖。样本轨迹的采集与运动模式的训练都依赖于已知的道路拓扑结构。已训练好的模型只用于具备相似的道路结构的场景中，可扩展性差。此外，这类方法的准确性很大程度上取决于匹配度量的选择，在速度变化较大的场景下指定准确的度量往往是比较困难的。

 识别驾驶意图在进行预测的方法中，是基于机器学习的方法来识别车辆的行驶意图，并不依赖原型轨迹。因此，该方法可以适用于任意的道路结构。在利用这一类方法进行驾驶意图的估计时，需要先定义一个有限的行为集（包括但不限于车道保持、变道、超车、转向等），然后根据感知到的道路车辆运动特征对车辆未来的行为进行分类。这些特征包括可以通过传感器观测的交通车状态变量（车速、加速度、位置、航向、转向灯等）、道路结构（十字路口、匝道、高速公路等）、交通信息（交通信号灯、标识牌、交通规则等）。不同的机器学习方法已被应用在车辆行驶意图的分类问题中。贝叶斯网络和其特殊形式隐马尔科夫模型（Hidden Markov Models，HMM）也被广泛应用在行为预测中，这类方法的原理是基于可观测的他车状态信息及环境信息作为证据变量来对车辆的行为意图等隐藏变量进行求解。典型的动态贝叶斯网络如下图所示。其中，最上层为行为层， M t M_t