预测

预测模块介绍

预测在自动驾驶中发挥着关键作用，可以确定道路代理可能采取的行动以确保安全导航。在本文档中，我们概述了当前的方法，从简单的 恒速运动 预测器到更先进的运动变换器 Motion Transformer。

恒速运动预测器

概述

等速模型是最基本但有效的预测方法[1]，假设实体以恒定速度继续其当前轨迹。在这里，我们通过 Runge-Kutta 4 (RK4) 积分对运动学自行车模型进行正向模拟，假设没有加速度和转向角。

适用性和局限性

  • 适用性：非常适合运动相对线性的高速高速公路。
  • 局限性: ：在城市或拥挤的地区，该模型可能无法捕获代理的不稳定运动。

数学模型

kine_bicycle_model

自行车运动模型

控制自行车运动模型的主要方程是：

  1. 位置更新: 车辆后轮的空间坐标随时间更新 (t) 到时间 (t + 1) 作为

    $$ x(t+1) = x(t) + v(t) \cos(\theta(t)) \Delta t $$

    $$ y(t+1) = y(t) + v(t) \sin(\theta(t)) \Delta t $$

  2. 航向更新：自行车的航向更改为

这里

  • ((x, y)) 代表车辆的位置；
  • (\theta) 是车辆的航向；
  • (v) 表示车辆的速度；
  • ( \delta ) 是前轮的转向角；
  • ( l_{wb} ) 为轴距，即前后轴之间的距离；
  • ( \Delta t ) 是时间步长。

然后应用RK4方法进行前向模拟，以提高短期内的预测精度。

示例用例

  • 公路和高速公路。
  • 障碍物最少的开放区域。

在 ISS 中，采用等速模型来预测结构化道路环境中的运动。

Motion Transformer

概述

Motion Transformer[2]是一种最先进的模型，它考虑历史数据来预测未来的轨迹。该框架将运动预测建模为全局意图定位和局部运动细化的联合优化。除了考虑道路结构的全局信息之外，该方法还通过适应可学习的运动查询来合并不同的运动模式。Motion Transformer的整体结构如下图所示。

kine_bicycle_model

motion transformer 的结构[2]

为什么选择 Motion Transformer?

较简单的模型缺乏复杂环境所需的细微差别。运动变换器考虑了历史轨迹，使其在复杂的场景中具有优势。

架构和组件

  • 注意力机制：权衡不同历史数据点的重要性。
  • 编码器-解码器结构：编码器处理输入序列，而解码器产生预测轨迹。

输入/输出详细信息

  • 输入：历史轨迹数据。
  • 输出：用置信区间预测未来轨迹。

实施路线图

  1. 维护现有的等速运动预测器以确保基本功能。
  2. 了解并设置 Motion Transformer 的神经网络。
  3. 收集和处理数据集并进行训练和模拟测试。
  4. 集成到当前的管道中并确保持续的模型优化。

参考文献

  1. Schöller C, Aravantinos V, Lay F, et al. "What the constant velocity model can teach us about pedestrian motion prediction." In IEEE Robotics and Automation Letters, 2020, 5(2): 1696-1703.
  2. Shi S, Jiang L, Dai D, et al. "Motion transformer with global intention localization and local movement refinement." In Advances in Neural Information Processing Systems, 2022, 35: 6531-6543.