行为预测是指根据过去物体的运动轨迹，预测物体将来一小段时间内的运动轨迹。主要包括行人轨迹预测和车辆轨迹预测。

 

行为预测是指根据过去物体的运动轨迹，预测物体将来一小段时间内的运动轨迹。主要包括行人轨迹预测和车辆轨迹预测。

 

这里主要是对2014年的一篇综述论文《a survey on motion prediction and risk assessment for intelligent vehicles》进行分析。

 

为什么需要行为预测？

 

因为预测可以提高规划控制的稳定度和舒适度。以图1为例，假设我们发现前面有一辆车要左转，如果我们不预测前面车辆的意图，我们当前有3种选择，第一种直行，第二种右转，第三种左转。可以看到左转是最差的选择，直行其次，最好的选择是右转，可以避免紧急停车或者交通事故，而且可以提前规划出一条比较舒适的轨迹，对自动驾驶汽车来说，可以规划出一条容易控制的轨迹。

 

图1 汽车行为预测示意图

 

预测特点

 

知道了为什么需要行为预测，那么预测有哪些特点呢？

 

Tracking是预测的基础 - 前面我们介绍了大量轨迹追踪的工作，进行轨迹追踪的目的就是为了轨迹预测。就好像预测股票走势，需要通过股票的历史轨迹来预测将来的轨迹，如果只是根据当前的点位来进行预测，极有可能会偏差很大。所以如果我们提前把物体的运动轨迹保存起来，然后进行分析预测，这样就能够大大提高预测的准确性，所以说Tracking是预测的基础。

 

预测只能预测一小段时间内会出现的情况 - 由于预测都是基于概率和经验的假设，而且车和车之间，车和环境之间都会相互影响，因此只要一个变量改变，那么其它的变量可能会跟着改变，因此无法预测未来很长一段时间的情况。

 

问题定义

 

接下来我们对预测进行问题进行定义，把预测抽象为一个数学问题，那么什么是预测呢？

 

我们可以把预测的轨迹抽象为一个个点(xt, yt)，一直从t时刻到t+m时刻，其中有N个车，因此就有N条轨迹。下式就代表预测N个车辆从t时刻到t+m时刻的轨迹集合。

 

那么预测问题，就可以抽象为预测这个轨迹集合的概率分布。

 

 

方法分类

 

根据问题的定义，我们可以对自动驾驶轨迹预测的方法分为3类。

 

• Physics-based motion models 物理模型
• Maneuver-based motion models 意图模型
• Interaction-aware motion models 交互模型

我们先通过一张图来了解这3种方法的区别。

 

图2 3种预测模型的区别

 

可以看到物理模型只是通过车辆的运动模型来进行预测，没有考虑到交通规则和其它车的交互，因此当经过路口的时候和行驶的车辆发生了碰撞。意图模型理解了交通规则，在路口时停车了，并且经过路口的时候也会对车辆进行避让，但是由于没有和其它车的交互，因此可能会出现碰撞，也可能导致汽车规划出一条很急的轨迹。最后交互模型考虑了交通规则，并且知道有车辆靠近，因此会等待直行的车辆经过之后再左转。

 

下图是三种模型的对比，输入的参数，挑战和用到的方法。

 

 

下面我们逐个说明这3种模型。

 

Physics-based motion models 物理模型

 

根据汽车模型的划分，可以分为

 

• Dynamic models（动力学模型）
• Kinematic models（运动学模型）

因为动力学模型非常复杂，比较常用的是汽车运动学模型，把汽车当做一个刚体，根据刚体运动预测汽车的轨迹，有3种方法。

 

• Single trajectory simulation 根据运动学模型进行计算，没有考虑不确定情况，因此不适合做长期预测。
• Gaussian noise simulation 车辆的不确定性描述为高斯模型，通过卡尔曼滤波和贝叶斯网络对车的状态进行预测。
• Monte Carlo simulation 蒙特卡洛模型，根据速度、加速度对可能的区域进行采样，生成预测路径。

 

Gaussian noise simulation 车辆的不确定性描述为高斯模型，通过卡尔曼滤波和贝叶斯网络对车的状态进行预测。

 

Monte Carlo simulation 蒙特卡洛模型，根据速度、加速度对可能的区域进行采样，生成预测路径。可以看到相对高斯模型，蒙特卡洛模型更加考虑到了汽车的运动学规律，在沿着汽车当前行驶方向的概率高，偏离轨迹的概率要低。

 

 

物理模型的缺点主要是缺乏对交通规则的理解，没有和其它车辆的交互，当其它车辆减速、转弯的时候无法很好的预测。

 

Maneuver-based motion models 意图模型

 

Prototype trajectories 原型轨迹，车的轨迹可以分为一系列的簇，每一簇对应一个典型的运动模式。

 

 

基于意图的模型主要是分为2部分，一是对意图进行评估，然后再执行。

 

• Maneuver intention estimation （评估）
• Maneuver execution（执行）

缺点是对时间的定性约束，车辆非常多的情况，不能应用到其它拓扑结构的道路。

 

Interaction-aware motion models 交互模型

 

主要的方法分为2类。

 

• trajectory prototypes
• Dynamic Bayesian Networks

比物理模型预测的时间更久，比基于意图的预测更加稳定，计算多个汽车之间的关系计算量比较大。

 

最后还提供了一些风险评估的方法。

 

RISK ASSESSMENT 风险评估

 

• 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

 

总结

 

论文中提出了3种对车辆进行轨迹预测的方法，并且对比了3种方法的优缺点，这篇论文写的比较早2014年，目前state-of-art的方法是基于RNN的深度学习方法，当然通过这篇论文我们可以了解自动驾驶轨迹预测的经典方法，并且学习对车辆进行风险评估。

 

本文来源：分子运动

本文仅作学术分享，著作权归作者所有，如有侵权，请联系后台作删文处理。