行為預(yù)測是指根據(jù)過去物體的運(yùn)動(dòng)軌跡，預(yù)測物體將來一小段時(shí)間內(nèi)的運(yùn)動(dòng)軌跡。主要包括行人軌跡預(yù)測和車輛軌跡預(yù)測。

這里主要是對(duì)2014年的一篇綜述論文《a survey on motion prediction and risk assessment for intelligent vehicles》進(jìn)行分析。

為什么需要行為預(yù)測？

因?yàn)轭A(yù)測可以提高規(guī)劃控制的穩(wěn)定度和舒適度。以圖1為例，假設(shè)我們發(fā)現(xiàn)前面有一輛車要左轉(zhuǎn)，如果我們不預(yù)測前面車輛的意圖，我們當(dāng)前有3種選擇，第一種直行，第二種右轉(zhuǎn)，第三種左轉(zhuǎn)。可以看到左轉(zhuǎn)是最差的選擇，直行其次，最好的選擇是右轉(zhuǎn)，可以避免緊急停車或者交通事故，而且可以提前規(guī)劃出一條比較舒適的軌跡，對(duì)自動(dòng)駕駛汽車來說，可以規(guī)劃出一條容易控制的軌跡。

圖1 汽車行為預(yù)測示意圖

預(yù)測特點(diǎn)

知道了為什么需要行為預(yù)測，那么預(yù)測有哪些特點(diǎn)呢？

Tracking是預(yù)測的基礎(chǔ) - 前面我們介紹了大量軌跡追蹤的工作，進(jìn)行軌跡追蹤的目的就是為了軌跡預(yù)測。就好像預(yù)測股票走勢，需要通過股票的歷史軌跡來預(yù)測將來的軌跡，如果只是根據(jù)當(dāng)前的點(diǎn)位來進(jìn)行預(yù)測，極有可能會(huì)偏差很大。所以如果我們提前把物體的運(yùn)動(dòng)軌跡保存起來，然后進(jìn)行分析預(yù)測，這樣就能夠大大提高預(yù)測的準(zhǔn)確性，所以說Tracking是預(yù)測的基礎(chǔ)。

預(yù)測只能預(yù)測一小段時(shí)間內(nèi)會(huì)出現(xiàn)的情況 - 由于預(yù)測都是基于概率和經(jīng)驗(yàn)的假設(shè)，而且車和車之間，車和環(huán)境之間都會(huì)相互影響，因此只要一個(gè)變量改變，那么其它的變量可能會(huì)跟著改變，因此無法預(yù)測未來很長一段時(shí)間的情況。

問題定義

接下來我們對(duì)預(yù)測進(jìn)行問題進(jìn)行定義，把預(yù)測抽象為一個(gè)數(shù)學(xué)問題，那么什么是預(yù)測呢？

我們可以把預(yù)測的軌跡抽象為一個(gè)個(gè)點(diǎn)(xt, yt)，一直從t時(shí)刻到t+m時(shí)刻，其中有N個(gè)車，因此就有N條軌跡。下式就代表預(yù)測N個(gè)車輛從t時(shí)刻到t+m時(shí)刻的軌跡集合。

那么預(yù)測問題，就可以抽象為預(yù)測這個(gè)軌跡集合的概率分布。

方法分類

根據(jù)問題的定義，我們可以對(duì)自動(dòng)駕駛軌跡預(yù)測的方法分為3類。

Physics-based motion models 物理模型
Maneuver-based motion models 意圖模型
Interaction-aware motion models 交互模型

我們先通過一張圖來了解這3種方法的區(qū)別。

圖2 3種預(yù)測模型的區(qū)別

可以看到物理模型只是通過車輛的運(yùn)動(dòng)模型來進(jìn)行預(yù)測，沒有考慮到交通規(guī)則和其它車的交互，因此當(dāng)經(jīng)過路口的時(shí)候和行駛的車輛發(fā)生了碰撞。意圖模型理解了交通規(guī)則，在路口時(shí)停車了，并且經(jīng)過路口的時(shí)候也會(huì)對(duì)車輛進(jìn)行避讓，但是由于沒有和其它車的交互，因此可能會(huì)出現(xiàn)碰撞，也可能導(dǎo)致汽車規(guī)劃出一條很急的軌跡。最后交互模型考慮了交通規(guī)則，并且知道有車輛靠近，因此會(huì)等待直行的車輛經(jīng)過之后再左轉(zhuǎn)。

下圖是三種模型的對(duì)比，輸入的參數(shù)，挑戰(zhàn)和用到的方法。

下面我們逐個(gè)說明這3種模型。

Physics-based motion models 物理模型

根據(jù)汽車模型的劃分，可以分為

Dynamic models（動(dòng)力學(xué)模型）
Kinematic models（運(yùn)動(dòng)學(xué)模型）

因?yàn)閯?dòng)力學(xué)模型非常復(fù)雜，比較常用的是汽車運(yùn)動(dòng)學(xué)模型，把汽車當(dāng)做一個(gè)剛體，根據(jù)剛體運(yùn)動(dòng)預(yù)測汽車的軌跡，有3種方法。

Single trajectory simulation 根據(jù)運(yùn)動(dòng)學(xué)模型進(jìn)行計(jì)算，沒有考慮不確定情況，因此不適合做長期預(yù)測。
Gaussian noise simulation 車輛的不確定性描述為高斯模型，通過卡爾曼濾波和貝葉斯網(wǎng)絡(luò)對(duì)車的狀態(tài)進(jìn)行預(yù)測。
Monte Carlo simulation 蒙特卡洛模型，根據(jù)速度、加速度對(duì)可能的區(qū)域進(jìn)行采樣，生成預(yù)測路徑。

Gaussian noise simulation 車輛的不確定性描述為高斯模型，通過卡爾曼濾波和貝葉斯網(wǎng)絡(luò)對(duì)車的狀態(tài)進(jìn)行預(yù)測。

Monte Carlo simulation 蒙特卡洛模型，根據(jù)速度、加速度對(duì)可能的區(qū)域進(jìn)行采樣，生成預(yù)測路徑。可以看到相對(duì)高斯模型，蒙特卡洛模型更加考慮到了汽車的運(yùn)動(dòng)學(xué)規(guī)律，在沿著汽車當(dāng)前行駛方向的概率高，偏離軌跡的概率要低。

物理模型的缺點(diǎn)主要是缺乏對(duì)交通規(guī)則的理解，沒有和其它車輛的交互，當(dāng)其它車輛減速、轉(zhuǎn)彎的時(shí)候無法很好的預(yù)測。

Maneuver-based motion models 意圖模型

Prototype trajectories 原型軌跡，車的軌跡可以分為一系列的簇，每一簇對(duì)應(yīng)一個(gè)典型的運(yùn)動(dòng)模式。

基于意圖的模型主要是分為2部分，一是對(duì)意圖進(jìn)行評(píng)估，然后再執(zhí)行。

Maneuver intention estimation （評(píng)估）
Maneuver execution（執(zhí)行）

缺點(diǎn)是對(duì)時(shí)間的定性約束，車輛非常多的情況，不能應(yīng)用到其它拓?fù)浣Y(jié)構(gòu)的道路。

Interaction-aware motion models 交互模型

主要的方法分為2類。

trajectory prototypes
Dynamic Bayesian Networks

比物理模型預(yù)測的時(shí)間更久，比基于意圖的預(yù)測更加穩(wěn)定，計(jì)算多個(gè)汽車之間的關(guān)系計(jì)算量比較大。

最后還提供了一些風(fēng)險(xiǎn)評(píng)估的方法。

RISK ASSESSMENT 風(fēng)險(xiǎn)評(píng)估

Risk based on colliding future trajectories
Binary collision prediction
Probabilistic collision prediction
Other risk indicators
Risk based on unexpected behavior
Detecting unusual events
Detecting conflicting maneuvers

總結(jié)

論文中提出了3種對(duì)車輛進(jìn)行軌跡預(yù)測的方法，并且對(duì)比了3種方法的優(yōu)缺點(diǎn)，這篇論文寫的比較早2014年，目前state-of-art的方法是基于RNN的深度學(xué)習(xí)方法，當(dāng)然通過這篇論文我們可以了解自動(dòng)駕駛軌跡預(yù)測的經(jīng)典方法，并且學(xué)習(xí)對(duì)車輛進(jìn)行風(fēng)險(xiǎn)評(píng)估。

本文來源：分子運(yùn)動(dòng)

本文僅作學(xué)術(shù)分享，著作權(quán)歸作者所有，如有侵權(quán)，請(qǐng)聯(lián)系后臺(tái)作刪文處理。