智能駕駛中預(yù)測(cè)模塊簡(jiǎn)介

1.軌跡預(yù)測(cè)的定義

軌跡預(yù)測(cè)是自動(dòng)駕駛系統(tǒng)“感知-預(yù)測(cè)-規(guī)控”流程中的核心環(huán)節(jié)，位于感知與規(guī)劃模塊之間，起到承上啟下的作用。感知系統(tǒng)負(fù)責(zé)檢測(cè)道路環(huán)境中的動(dòng)態(tài)和靜態(tài)元素，包括車輛、行人、自行車、交通標(biāo)志、車道線等，而預(yù)測(cè)模塊的任務(wù)是對(duì)這些動(dòng)態(tài)對(duì)象（Agent）的未來(lái)軌跡進(jìn)行推測(cè)，為后續(xù)的決策和規(guī)劃提供參考。

在實(shí)際應(yīng)用中，軌跡預(yù)測(cè)通?；谝韵聝深愝斎胄畔ⅲ?/span>

map 信息：包括車道線、交叉口、可行駛區(qū)域等靜態(tài)元素。

Agent 信息：如位置、速度、航向角等動(dòng)態(tài)信息。

軌跡預(yù)測(cè)主要涉及兩個(gè)方面：

預(yù)測(cè)終點(diǎn)位置：即某個(gè)時(shí)間點(diǎn) Agent 可能到達(dá)的位置。

預(yù)測(cè)完整軌跡：從當(dāng)前位置到終點(diǎn)的運(yùn)動(dòng)路徑，同時(shí)考慮不確定性建模問(wèn)題。

現(xiàn)在大家不都是在提倡感知規(guī)控“端到端”嗎？為什么還要拆開(kāi)介紹？個(gè)人理解：完全端到端還有一段時(shí)間要走，了解預(yù)測(cè)模塊，沒(méi)什么壞處。

2.軌跡預(yù)測(cè)的定位

在傳統(tǒng)的自動(dòng)駕駛系統(tǒng)中，感知模塊輸出的結(jié)果直接影響預(yù)測(cè)模塊，而預(yù)測(cè)模塊的輸出又會(huì)影響決策與規(guī)劃模塊。然而，這種架構(gòu)存在一定的局限性：

誤差傳遞：如果感知模塊未能正確檢測(cè)到某個(gè) Agent，預(yù)測(cè)模塊也無(wú)法給出合理的軌跡預(yù)測(cè)。

系統(tǒng)僵化：預(yù)測(cè)模塊僅依賴感知結(jié)果，缺乏對(duì)未來(lái)可能性更全面的理解，難以適應(yīng)復(fù)雜場(chǎng)景。

因此，近年來(lái)大家都在研究如何使預(yù)測(cè)與感知更緊密結(jié)合，以提高系統(tǒng)的魯棒性。

3.軌跡預(yù)測(cè)的挑戰(zhàn)

軌跡預(yù)測(cè)面臨的挑戰(zhàn)有多個(gè)方面，例如：

感知誤差傳遞 如果感知模塊未能準(zhǔn)確捕捉 Agent 的運(yùn)動(dòng)軌跡，預(yù)測(cè)模塊的結(jié)果也會(huì)受到影響。例如：感知模塊可能對(duì)某輛車的位置和速度估計(jì)不準(zhǔn)確，影響軌跡預(yù)測(cè)。

不確定性挑戰(zhàn) 軌跡預(yù)測(cè)是一個(gè)不確定性問(wèn)題，即同一個(gè) Agent 在未來(lái)可能采取多種不同的行動(dòng)。例如：車輛可能選擇直行、變道或停車、行人可能選擇繼續(xù)行走或停下。如何處理這些不確定性，很有挑戰(zhàn)。

Corner Case 處理 自動(dòng)駕駛系統(tǒng)必須能夠應(yīng)對(duì)極端情況（Corner Cases），例如：“鬼探頭”、“汽車 S 形行駛”等不常規(guī)情況的預(yù)測(cè)。

預(yù)測(cè)與決策的配合 預(yù)測(cè)模塊的輸出通常是多個(gè)可能軌跡，而決策和規(guī)劃模塊需要根據(jù)這些軌跡做出合理判斷。例如：過(guò)于保守的預(yù)測(cè)可能會(huì)讓自動(dòng)駕駛車輛頻繁剎車或減速，影響駕駛體驗(yàn)；過(guò)于激進(jìn)的預(yù)測(cè)可能會(huì)導(dǎo)致錯(cuò)誤判斷，提高事故風(fēng)險(xiǎn)。

4.典型預(yù)測(cè)算法

本節(jié)知道幾個(gè)軌跡預(yù)測(cè)算法名字就行。

4.1 TNT

Target-driven Trajectory Prediction：TNT 是基于 VectorNet 對(duì)高精地圖和車輛動(dòng)態(tài)進(jìn)行編碼后，將軌跡預(yù)測(cè)問(wèn)題轉(zhuǎn)化為終點(diǎn)預(yù)測(cè)問(wèn)題。

4.2 Wayformer

Motion Forecasting via Simple & Efficient Attention Networks：Wayformer 是一個(gè)基于注意力機(jī)制的運(yùn)動(dòng)預(yù)測(cè)架構(gòu)，由基于注意力的場(chǎng)景編碼器和解碼器組成，研究了輸入模式的前融合、后融合和分層融合的選擇，通過(guò)分解注意力來(lái)權(quán)衡效率和質(zhì)量。

4.3 QCNet

Query-Centric Trajectory Prediction：QCNet 采用 query-centric 的框架，對(duì)場(chǎng)景進(jìn)行編碼時(shí)可以重復(fù)使用已計(jì)算的結(jié)果，不依賴于全局的時(shí)空坐標(biāo)系，同時(shí)不同 agent 共享場(chǎng)景特征，使得 agent 的軌跡解碼過(guò)程可以更加并行處理。

5.軌跡預(yù)測(cè)的評(píng)價(jià)指標(biāo)

為了衡量軌跡預(yù)測(cè)模型的精度，通常采用以下指標(biāo)，這些指標(biāo)都是數(shù)值越小越好：

5.1 平均位移誤差

ADE（Average Displacement Error）計(jì)算所有時(shí)間步的預(yù)測(cè)軌跡點(diǎn)與真實(shí)軌跡點(diǎn)的歐幾里得距離均值，適用于評(píng)估軌跡預(yù)測(cè)的整體誤差。

5.2 最終位移誤差

FDE（Final Displacement Error）計(jì)算預(yù)測(cè)軌跡的終點(diǎn)與真實(shí)終點(diǎn)的歐幾里得距離，用于關(guān)注最終預(yù)測(cè)點(diǎn)的準(zhǔn)確性。

5.3 最小平均位移誤差

minADE-K 選擇前 K 條預(yù)測(cè)軌跡中誤差最小的一條計(jì)算 ADE，衡量多模態(tài)預(yù)測(cè)的最優(yōu)表現(xiàn)。

5.4 最小最終位移誤差

minFDE-K 選擇前 K 條預(yù)測(cè)軌跡中誤差最小的一條計(jì)算 FDE，關(guān)注終點(diǎn)預(yù)測(cè)的最優(yōu)表現(xiàn)。

5.5 Miss Rate( MR)

計(jì)算 m 條軌跡中，有 n 條 FDE 超過(guò) 2m 的比例，用于衡量預(yù)測(cè)軌跡的整體可靠性。

6.未來(lái)發(fā)展趨勢(shì)

隨著自動(dòng)駕駛技術(shù)的不斷發(fā)展，軌跡預(yù)測(cè)領(lǐng)域也呈現(xiàn)出新的發(fā)展趨勢(shì)：

感知預(yù)測(cè)融合 或 端到端

傳統(tǒng)方法將感知和預(yù)測(cè)作為兩個(gè)獨(dú)立模塊，而新一代模型正在探索聯(lián)合感知與預(yù)測(cè)，即直接在感知階段輸出未來(lái)軌跡，提高預(yù)測(cè)準(zhǔn)確性。

采用端到端方法，從感知到控制一體化優(yōu)化，提高系統(tǒng)整體性能。

強(qiáng)化學(xué)習(xí)：通過(guò)強(qiáng)化學(xué)習(xí)優(yōu)化軌跡預(yù)測(cè)，使其更加符合規(guī)劃和決策需求。