学习笔记7--交通环境行为预测

基于物理模型的轨迹预测

基于物理模型的轨迹预测是基于物理运动模型的动态实体；利用动力学和运动模型预测未来运动，将一些控制输入（如转向、加速）、汽车属性（如重量）和外部条件（如道路摩擦系数）与汽车状态的演变（如位置）联系起来；

1. 动力学模型

   基于拉格朗日方程，汽车动力学模型考虑了影响汽车运动的不同力的作用，如纵向和横向轮胎力或道路倾斜角；汽车由复杂的物理控制（驾驶员影响发动机、变速器、车轮等），因此动力学模型可能非常复杂，涉及汽车的许多内部参数；

   常用于轨迹预测"自行车"该模型取代了复杂的汽车动力学模型，将四轮车简化为两轮车，并在二维平面上移动；

2. 运动学模型

   运动模型根据运动参数之间的数学关系（如位置、速度和加速度）来描述汽车的运动，而不考虑影响运动力；在运动模型中，摩擦被忽略，假设每个车轮的速度与车轮方向相同；

   最简单的运动模型是恒速(CV)和恒定加速(CA)模型，假设汽车是直线运动；恒转和速度(CTRV)及恒转加速度(CTRA)模型考虑将偏航角和偏航率变量引入汽车状态向量 z z z轴的变化；

基于神经网络的轨迹预测

• 相比通过汽车物理模型来分析道路结构、交通规则、驾驶员意图等一系列因素对轨迹预测的影响，用基于大数据学习的方式来对涵盖了上述所有复杂因素的汽车运动轨迹数据进行深度神经网络模型学习，会有更强的表达性，会得到更好的效果；
• 进行轨迹预测之前通常需要对采集到的轨迹数据进行预处理，剔除异常噪声轨迹点，从而提高精度；预处理步骤可以基于轨迹高斯混合模型聚类算法；
• 基于长短期记忆(Long Short Term Memory，LSTM)的神经网络对周围汽车的短期驾驶行为进行学习并进行轨迹预测，该网络接收坐标系下针对周围汽车排好序的传感器测量数据，训练后产生占用栅格地图，地图上包含周围汽车未来时刻可能到达的位置和概率，如下图：
• LSTM是RNN的一种形式，通过一个存储器单元来代替网络的每一个结点，解决了梯度弥散的问题；通过"门"(Gate)来控制丢弃或增加信息，从而实现遗忘或记忆的功能；"门"是一种使信息选择性通过的结构，由一个Sigmoid()函数和一个点乘操作组成；Sigmoid()函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过；一个LSTM单元有三个这样的门，分别是遗忘门(Forget Gate)、输入门(Input Gate)、输出门(Ouput Gate)，如下图所示：
  • 存储器单元：决定和积累单元要记忆的内容；
  • 输入门限：决定输入信息是否被允许进入模组；
  • 输出门限：决定输出是否要被模组向外传送；

基于交互的轨迹预测

• 基于交互的轨迹预测在对他车环境进行运动预测时，将自车和周围的其他汽车看作是相互影响的，考虑它们之间的行为依赖关系；
• 考虑交通参与者之间的交互时，一种方法是假设所有驾驶员都尽量避免碰撞，并选择风险最小的驾驶行为；这种方法先计算每个汽车行驶意图的先验概率分布，然后通过建模汽车之间的交互关系进行风险评估，进而对先验分布进行修正；
• 另一种方法是利用动态贝叶斯网络。这种方法在进行行为推理时将汽车之间(Agent(i)、Agent(j))的交互考虑进来，Agent(j)的运动状态 x t − 1 ( j ) x_{t-1}(j) xt−1​(j)将对Agent(i)的场景状态 c t ( i ) ct(i) ct(i)产生影响；在数学上实现时汽车之间的交互被分解为成对依赖性的对数线性组合；同时在建模汽车的行为时，将交通规则也考虑进去，然后使用统计推理来计算运动状态的后验概率分布；
• 在汽车的运动预测方面，博弈论一般被应用于汽车行为的建模和预测；可以利用非合作博弈来对汽车的运动进行分析，计算汽车的收益时先要考虑不同行为下生成的轨迹本身的成本，然后利用碰撞检测来计算最终的收益；
• 博弈论的优势之一是可以对有车联网功能和没有车联网功能两种情况下汽车的换道行为进行建模，这两种情况可以被看作完整信息博弈和非完整信息博弈；博弈论还可以建立反映多个驾驶员之间相互交互的交通模型；

基于仿生学的轨迹预测