【Baidu Apollo】5 预测

本篇预测的部分参照了Apollo自动驾驶公开课詹锟的演讲内容。

预测模块是连接感知和决策规划的桥梁，结合物理世界的人类行为习惯进行适当的逻辑推理，将周围障碍物下一时刻和后续多个时刻的运动行为进行估计，给出对应可能的运动轨迹线。

詹锟老师主要从代码层面剖析Apollo2.5的预测系统。

Apollo代码架构预测部分分为3个部分，第一个是Container，作用是合理规划整合上游数据，处理历史信息；第二部分是评估、评价，是预测系统的核心，非常适用于神经网络的学习，建立合理模型，使其找到人类的历史行为轨迹，预测路线。通过第二部分的推理，系统会绘制出物体的行为轨迹，并将结果传递给决策规划层。

Container

首先是Container， ADC trajectory可以通过路权做合理的推理，让障碍物不直接发生预测。第二是构建来自感知障碍物、定位和高精图等序列化特征。第三是本车的状态。除了上面的特征抽取以外，更重要一步是需要把地图信息进行合理的规划。

如何在复杂的物理世界中，把地图数据进行合理的刻画，这是非常重要的步骤。通过把每条Lane，拆分成小的Lane，Lane1、Lane2、Lane3，按照前后级关系，组成具体的序列，每个序列上车都可以沿着其中一个序列进行走，就是这个车的轨迹线。上图可以看到红车有可能走三条轨迹线，就是Lane1、Lane2、Lane3，根据当前的地图信息和当前的Lane的位置状态，刻画出这样具有特征表达的地图信息出来，只有物理识别信息进行合理表达，才能进行网络学习、数据驱动，这是根据地图特征信息抽取非常重要的部分。

在Apollo代码里，表达出每个特征的特性，如上图左边是关于障碍物的特征，包含了车的位置信息、速度信息、加速信息、位置方向还有它的长、宽、高等等，右边是代表它的Lane信息，把细小的Lane，组成Lane feature。这就是Container需要做的事情。

Evaluator

第二部是逻辑推理阶段，这也是预测直接使用神经网络的方式。就Apollo来说，对车辆进行了深度神经网络的学习。具体来讲，结构如图所示，将每个障碍物各自特征输入给LSTM的模型，每个LSTM对特征信息进行了全连接，最后输出走这一条LSTM。第一规划Lane横向行为的分类情况，选择是否走此Lane，选择Lane1还是Lane2。第二是它的动力学，速度是什么样的，就是它纵向的问题。第一是分类问题，同时结合在一个神经网络中，这是Apollo 2.5的神经网络。

前面有两种预测方式，开发者可以根据自己的特性选择自己的评价网络，只是这个结构可以根据Apollo配置。

Predictor

选择某条Lane或者知道Lane上面的速度以后，可以绘制出这个物体在Lane的行为轨迹，具体怎么绘制，有以下三种方式：一个是Free move，根据障碍物的动力学模型绘制出轨迹。第二是Lane sequence，就是根据车道中心线和Kalman滤波方法绘制的轨迹。第三是Move sequence，结合里学和车道信息融合后降采样的轨迹方式。第四是Regional，根据障碍物动力学和轨迹3Sigma方差构建的区域轨迹。

Apollo Data

数据开发者来说是非常重要的一部分，Apollo开放的数据对预测有很好的作用，基于Apollo Data，可以通过自己采集以及周围开发者共享数据进一步开发预测模型 。

Apollo Data的数据使用规范：

使用SL坐标系，车在轨道上做相对轨道的刻划，然后确定要走的车道线每一个车道的状态。通过这样的数据结构，给特定的Lane，检测它到底走没走这条线，通过这样的数据训练模型，通过数据驱动方式，可能就非常贴切的表达出人类的驾驶行为习惯，而不是通过规则算法来做。

实际效果

通过动图了解一下其效果：

自行车过马路的时候，本来应该是红灯变绿灯了，然后它应该在原地等待车辆驶过，但是其选择了闯红灯，系统能很好的给出预测线，这在预测场景是非常好的应用。

在无人车加速过路口的时候，有一个被隔离带遮挡的障碍物出现了，同时其也选择在无人车之前抢过这个路口，因此此时必须要有预测提前给主车提供这样的信号，让主车能及时做反应，而不是发生更危险的情况，这就是预测在承上启下作用中，有非常好的范围。

其实在中国的这些道路场景中，预测其实还遇到了非常多困难，最大的挑战预测其实是在路口上。路口有很多种行为方式，比如一个车道既可以调头，也可以左转，也可以直行，还有各种社会车辆不按轨迹行走，这其实也是对预测有非常大的困难。如图左侧车辆并没有按照真正的轨迹走，这样的场景对主车是非常大的威胁，理论上从交规上肯定是他们的过错，但是主车一切以安全为先，所以主车必须避让。对这样的场景，预测还是有很多困难。

第二场景是博弈的问题，低速过程中往往发生博弈现象，到底是哪辆车先走，这个情况是非常常见。如图中，两辆车都在等待对方先行，一方先行后，另一方又要开始行驶，所以需要进行上下游的沟通，才能进行更好的处理。

第三个场景是切车，有一些车辆行为比较暴躁，会在非常不合理的情况下急速加塞进来，导致主车处于很不安全的状态，从规则上并没有问题，但是这种场景对于自动驾驶也是要尽量躲让，这时预测需要更好刻画出驾驶行为是不是很危险、激进。

这种典型的挑战场景，其实还有很多，整个预测的问题也分为这两部分，一个是内部挑战，一个是外部挑战，内部挑战主要是数据怎么能把所有的特征表达充分，模型是否在建立的非常合理，是不是还有更好的建模方式，这都是内部的挑战。

同时既然是承上启下的模块，对上游数据的容忍度、依赖性都需要做一些处理，上游如果感知发出了消息，系统应该怎么根据历史信息做很好的规避？做很好的容错，这也是一个挑战。同时像博弈问题，需要给下游决策做一些很好的交互，怎么提醒它先避让还是先加速过去，这也是给预测带来了非常多困难。

后续Apollo预测还是要不断迭代更新，具体来说，会在特征方面做更多的融合处理，利用历史信息，除了考虑当前的障碍物，还要考虑周围所有障碍物，对全局进行估计。另外模型的迭代，同时数据积累，把仿真和真实打通，作为系统整合，需要上下游的联系，通过多个维度，对预测模块进行整合，这是后续Apollo需要做的事情。