你坐在工位上，突然瞟见你心仪的女神小美离开了工位，她还带了工牌，因此你预测她很可能要去打印机的位置。
你根据小美工位到打印机的距离、小美的年龄，走路速度，平时喜欢闲聊的闺蜜的工位、判断出她去打印机可能选择的路线，同时预测她到达打印机位置的时间。
你又审视了一下自己到打印机的距离，如果你现在立即起身，中途不和小王搭话，选用最近的路线和适中的速度，你可以比小美先到打印机位置，然后假装和她偶遇。
于是你起身、拿工牌、中速步行，路线正确，到达目标位置一气呵成。你拿起小美打印的东西交到她手上，并和她自然地打了个招呼，她很感谢你，你心里美滋滋。
这就是轨迹预测的作用。
你需要预测出对方的行进路线和行进时间，也需要对自身的行进速度和行进路线进行充分评估，之后才能进行轨迹规划。同理，在自动驾驶的超车、换道、避让行人等功能执行中，通过预测周边障碍物的行为，才能进行轨迹规划。
目前的自动驾驶的轨迹预测，主要分为汽车轨迹预测和行人轨迹预测两大块：
汽车轨迹预测是现在研究和应用比较广泛的，相比行人轨迹而言，汽车轨迹的不确定度更低。目前行业内往往会根据预测场景的不同采用不同的预测方法。例如典型的场景常常为：直道换道场景和十字路口场景。
直道换道场景中，当前车企采用的预测方法多数是基于改进的卡尔曼滤波的方法，目前小鹏和蔚来都有基于这种方法进行预测。例如一些论文里提出考虑驾驶意图与基于车辆运动模型的方法，将车辆意图定为保持和换道2种，结合无损卡尔曼滤波(UnscentedKalmanFilter，UKF)预测车辆轨迹。目前，基于机器学习的方法也进行了大量研究，例如融合时序信息的LSTM网络被大量应用于根据车辆的历史运动信息预测其轨迹。
十字路口场景包含了行人、汽车、自行车和其它交通工具，其路口状态要复杂的多。其预测算法大多都基于神经网络的机器学习算法。
行人预测是一个非常难的问题。首先，行人运动灵活，精准预测其未来的运动轨迹几乎是一个不可能完成的任务，主要有两个难点：
1.比于自行车、汽车等运动学模型，行人运动更加灵活多变，很难对行人建立合理的动力学模型(因为行人可以随时转弯、停止和运动等)。
2.行人轨迹很多时候往往不仅仅有行人本身的意图决定，很多时候也受周围行人的影响。
但是通过观察其历史时刻的运动轨迹，利用一些算法可以大致推测出行人未来的运动轨迹(例如最简单的匀速直线运动)。因此，即使这个问题如此困难，但基于其对自动驾驶问题的重要性，还是有很多人针对这一问题进行研究，无论是基于机器学习的或是基于传统动力学建模的方法。
1.感知模块所给的信息准确度不够高，造成预测难以进行。
2.目标物被遮挡时，无论是人还是车，其运动意图难以确定，给预测带来困难。
3.突发事件(鬼探头、交通事故)/违背交通规则的目标物(乱穿马路的行人)是轨迹预测的噩梦。
随着自动驾驶进入下半场，激光雷达上车和感知算法的逐渐成熟，自动驾驶中关键技术的压力已经来到了轨迹预测算法和路径规划算法这边。只要能打通这两关，自动驾驶技术大规模落地将有望成为可能。
引用文献：
EngineeringVillage-RecordAbstractView
智能车轨迹预测综述-中国知网(cnki.net)
行人轨迹预测方法综述-中国知网(cnki.net)
论文笔记：TrafficPredict:TrajectoryPredictionforHeterogeneousTraffic-Agents_CvBeginner的博客-CSDN博客
Apollo5.0障碍物行为预测技术-程十三-博客园(cnblogs.com)
基于前车轨迹预测的高速智能车运动规划-中国知网(cnki.net)
全部评论 （0）