无人驾驶实践入门——预测
预测对象：
动态物体
预测方法：
生成一条路径预测物体行为
预测要求：
实时性
准确性
能够学习新行为，面对复杂情况
两种不同预测方式：
基于模型的预测：
构建候选模型，通过分析选择预测结果
直观性好，模仿了人类行为
数据驱动预测：
使用机器学习，通过观察结果实现预测
训练数据越多，训练效果越好
车道预测
预测方法：
车道序列方法
预测原理：
将车辆行为划分为有限的模式组合，将这些模式组合描述为车道序列
物体状态
考虑内容：
物体到车道线的间距，时间间隔状态信息等
目标车道预测
预测方法：
计算每个车道序列的概率
通过模型将车辆状态和车道段作为输入
通过观测数据对模型进行经验训练
递归神经网络(RNN)
原理：
利用时间序列数据特征进行预测
区别：
多重结构的递归神经单元，即MLP
每个MLP将序列中一个元素作为输入并预测序列的下一个元素作为输出
每个MLP单元之间有一个额外的连接
轨迹生成
生成方案：
设置约束调节（考虑车速、位置等）
拟合多项式模型
Apollo应用
使用RNN建立模型预测目标车道
应用反向传播训练网络
