Autoware 障碍物车辆意图与轨迹预测
Autoware 障碍物车辆意图与轨迹预测
yeye.liu@foxmail.com
Autoware 中预测道路中其他车辆的意图与轨迹部分在一篇博士毕业论文的第四章中进行了详细解释,本篇博客是对论文第四章第解释。
论文中采用的方法为用粒子滤波器进行预测。其中提到机器学习的方法需要事先知道场景情况才能进行学习并实现预测,然而不可能得知所有的驾驶场景来为机器学习算法提供训练数据,因此不采用机器学习的方法。我认为是因为粒子滤波器的方法较为成熟,并且也有效,也许相关机器学习算法当时还不够成熟,所以论文作者没有将机器学习算法应用于预测。现在,用机器学习算法来预测、决策,甚至将机器学习算法应用于整个智能驾驶过程是当下及未来的研究趋势。(仅代表个人看法,很有可能是不正确的)
有关粒子滤波器的解释,这个视频讲解的较为简单清晰:Particle Filter Explained without Equations
论文全文
论文全文(含注解)
Chapter 4 Behavior planner based intention and trajectory estimation
4.1 Introduction
4.1.1 Problem Definition
目的:预测其他车辆的可能的意图与轨迹
方法有三个:确定性模型、机器学习、概率模型
确定性模型:因为预测时模拟不确定性至关重要,所以排除确定性模型
机器学习:机器学习需要已知所有可能的驾驶场景的数据,特别是一些罕见的场景,因此也不适用
概率模型:使用粒子滤波器进行预测
4.1.2 Contributions
方案:behavior planner + multi-cue particle filter
使用一个行为规划器(behavior planner)来充当复杂的行为模型,与非参数概率滤波器(multi-cue particle filter)共同解决不确定性
图4-1列出了我们的方案较传统方法的优越性。
4.1.3 Solution Approach
此文中,用 “behavior” 来表示自车行为或其他车辆滤波(预测)前的动作,用 “intention” 来表示滤波后的(预测的)其他车辆的动作。
我们的意图与轨迹预测算法——粒子滤波器,包含一个被动模式的行为规划器 Passive Behavior Planner(与应用于自车路径规划的 behavior planner 略有不同)。图4-2为预测系统图。
算法主要包含三个部分:轨迹提取、被动行为规划器和多线索粒子滤波器。图中,观察指的是被追踪的物体,来自第三方目标检测与追踪模块的输出;算法的输出为意图与轨迹可能性,这些输出将传入局部规划,用来规划自车轨迹。
- 轨迹提取:从地图中提取所有可行轨迹与轨迹中内嵌的交通规则
- 被动行为规划器:粒子从行为模型中采样,也就是从 Passive Behavior Planner 中采样获得。
- 多线索粒子滤波器:利用观察对每个采样粒子进行权重计算,最后,对权重进行归一化并计算每个意图与每条轨迹的可能性。
4.2 Passive Behavior Planner
被动行为规划器模拟的是其他车辆的行为,也就是其他车辆的决策器。规划器模拟的其他车辆的动作越准确,预测结果越好。图4-3比较了自车的行为规划器与用于预测其他车辆的规划器。
自身的规划器输出的是一条发送给控制的路径,而被动规划器假设令其他车辆执行运动这一步,即其输出的直接是控制型号:速度
Autoware 障碍物车辆意图与轨迹预测相关推荐
- 基于Transformer的车辆多模态轨迹预测方法
1.引言 轨迹预测是自动驾驶领域关注的热点.对周围车辆轨迹的精确预测可以辅助自动驾驶车辆做出合理的决策规划,进而实现车辆在异构高动态复杂多变环境中安全驾驶.在车辆交互场景中,由于驾驶员意图与环境的不确 ...
- [论文阅读]用于车辆轨迹预测的卷积社交池Convolutional Social Pooling for Vehicle Trajectory Prediction
文章目录 一.摘要 二.介绍 三.相关研究 3.1 基于机动的模型 3.2 交互感知模型 3.3 运动预测的递归网络 四.问题制定 4.1 参照系 4.2 输入输出 4.3 概率运动预测 4.4 操作 ...
- 基于车载无线通信和车辆远程传感器融合的V2X协同感知(目标跟踪/轨迹预测)
论文标题:Driving Environment Perception Based on the Fusion of Vehicular Wireless Communications and Aut ...
- 自动驾驶关键环节:行人的行为意图建模和预测(上)
作者 | 黄浴 出品 | AI科技大本营(ID:rgznai100) [导读]介绍一下最近行人行为意图建模和预测的研究工作,还是分上下两部分,本文为上半部分. Social LSTM: Human ...
- 结构体内部申请空间_智能体张量融合,一种保持空间结构信息的轨迹预测方法...
本文是计算机视觉领域国际顶级会议 CVPR 2019 入选论文<Multi Agent Tensor Fusion for Contextual Trajectory Prediction> ...
- [自动驾驶-车辆轨迹预测] 资料准备及学习视频
关于车辆轨迹预测的学习资料 因为要引入车辆预测模块来确保下游规划模块的准确性及稳定性,开始学习关于车辆轨迹预测相关的知识,部署相关的模型至实践项目中.发现网上关于车辆预测部分的资料较少,本文搜索一些资 ...
- 终点条件下的轨迹预测:It is not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction
目录 摘要 一.简介 二.相关工作 2.1 基于上下文的预测 2.2 多模态轨迹预测 2.3 以目标为条件 三.拟用方法 3.1 端点 VAE 3.2 端点条件轨迹预测 3.3 损失函数 四.实验 4 ...
- 基于对抗训练的轨迹预测半监督算法(美国西北大学和加州尔湾分校)
点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取 后台回复[ECCV2022]获取ECCV2022自动驾驶方向所有论文! 后台回复[领域综述]获取自动驾驶感知融 ...
- 【多目标轨迹预测】Trajectron++:Dynamically-Feasible TrajectoryForecastin With Heterogeneous Data(简化翻译+笔记)
论文地址:https://arxiv.org/abs/2001.03093 代码地址:https://github.com/StanfordASL/Trajectron-plus-plus 摘要: 智 ...
最新文章
- Python 进阶 — 创建本地 PyPI 仓库与 Python 程序的离线部署
- TweetLouder.com:在微博上找你喜好的乐队
- 《网络管理员考试案例梳理、真题透解与强化训练》复习重点
- IDEA 错误:找不到或无法加载主类
- PyTorch框架学习十五——可视化工具TensorBoard
- Requests方法 -- 参数关联
- vnpy学习_02各文件功能梳理
- php ini set开启方法,php ini_set更改php.ini配置功能_PHP教程
- 科学道德与学风-2021雨课堂答案-第1章
- android炫酷的效果
- JavaEE项目 Web聊天室(JSP实现)
- Uva--10098 (next_permutation)
- 制作歌词录入系统php,如何制作歌词字幕 制作字幕的软件
- python猴子分桃子的数学题_小学奥数猴子分桃练习及答案【三篇】
- js:使用amaze select插件
- HRBUST1313 火影忍者之~静音
- 口令订单红包V1.1.3公众号源码,增加关注多久后才能使用口令与领取红包功能
- 中小型企业开发门户网站我建议你选择阿里云的云速美站
- 立足信息时代起点 探索企业营销新模式
- 超简单!Android 播放流媒体