自动驾驶运动预测(Motion Prediction)_Python

自动驾驶运动预测(motion prediction)

运动预测(motion prediction)模块主要解决自动驾驶车辆与周围环境中的其它运动物体(车辆、行人等)的协同交互问题。该模块对感知模块所检测到的运动物体进行未来一段时间内行为意图的预测，并将预测的结果转化为时间维度和空间维度的轨迹。以这些障碍车、行人、非机动车等运动物体的预测轨迹作为输入，自动驾驶车辆可以做出更加合理的驾驶决策，规划出更加合理、安全的车辆运动行为。

附赠自动驾驶学习资料和量产经验：

比如如果我们预测到其它车辆要并入到我们的车道，那我们就需要提前考虑减速，预测的准确性越高，决策就越准确，无人驾驶的可靠性也就越高。

无人车周边物体行为预测，图片来源：无人驾驶中的决策规划控制技术，作者李力耘，刘少山

由于道路上运动物体的行为是复杂多变、彼此相互影响的，这就要求预测模块能够提供足够实时和高频的预测输出。举个例子，假设一辆车以60公里/小时的速度前进，每0.25s就会有5m的位移，如果算法的响应时间为0.25s，那么每次运动规划前我们就必须保证在5m范围是是完全可通行的。自动驾驶车辆运行的速度越高，对预测模块的输出实时性的要求就越高。

预测模块的输入信息

一般而言，预测模块的输入就是感知模块的输出，包括运动物体的位置、速度、朝向、物体分类（如车辆，行人，自行车）等信息。运动预测(motion planning)模块结合运动物体的属性信息、历史运行轨迹信息以及高精地图信息，给出运动物体在未来一段时间内的运动行为的预测。

基于规则的预测方法

运动物体的行为预测是一个非常复杂的问题，我们可以通过基于规则来对运动物体的行为进行预测。

1）基于物理规律的预测

基于物理规律的预测是指，所有运动物体(车辆、行人、动物等等)的运动都满足一定的约束或者规则。比如车辆的运动要满足动力学约束和运动学约束；行人的运动速度不会太快，但可以随时改变自己的运动方向（这也让对行人运动的预测让人颇为头疼）等等。

2）基于运动行为的预测

基于行为的预测是指，所有运动物体(车辆、行人、动物等等)的运动都是一组运动行为的组合。比如对于车辆来讲，它们的行为是巡航、左转、跟车、超车、停车这些基本行为的组合；对于行人来讲，他们一般都沿着人行横道和人行道上运动(但这不是一个强约束)。

3）基于运动交互的预测

基于运动交互的假设是指，运动物体之间是有相互交互关系的。比如在路口直行和左转的车辆汇入同一条车道时，按照转向让直行的交规，转向的车辆会减速避让直行的车辆；行人永远拥有路权，但是当他们感觉受到车辆运动的威胁时，会停下来等待观望；车辆变道时通常会有信号指示灯等等。

4）借助高精地图扩展预测场景

高精地图提供的车道形状和曲率信息可以辅助预测车辆的运动速度，所有的车辆，不管它的运动模型如何，在进入弯道或者转向时，一般会减速通过，从而保证驾驶安全。

基于车道序列的预测方法

基于车道序列的方法把道路分成多个部分，每个部分都覆盖了一个车辆的可能运动区域，对于预测来讲，我们更关心车辆在这些区域中转换。我们可以把车辆的行为划分为一系列有限模式的组合，并将这些模式组合描述为车道序列，然后以车道序列为基础预测车辆的行为。例如，如果一辆车辆要直行，那它的可能的lane序列就是:lane0->lane1->lane3->lane7。