邱昱 陳彩霞

摘要：自動駕駛汽車的預(yù)測模塊基于歷史及當(dāng)前環(huán)境狀態(tài)，預(yù)測附近交通參與者的未來狀態(tài)，以降低風(fēng)險，減小傷害。本文簡要介紹了自動駕駛領(lǐng)域預(yù)測算法的重要性、問題定義與各種類型。對于預(yù)測算法的兩個大類：基于模型的方法和數(shù)據(jù)驅(qū)動的方法，本文對各類具體算法的意義、相關(guān)參數(shù)、區(qū)別與優(yōu)缺點等進行了簡要介紹。

關(guān)鍵詞：自動駕駛，預(yù)測算法，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，變形器，圖神經(jīng)網(wǎng)絡(luò)

引言

近年來，智能駕駛技術(shù)發(fā)展迅速，安全是重中之重。一方面，安全性是智能駕駛和自動駕駛技術(shù)的基石;另一方面，人們期望未來自動駕駛汽車的應(yīng)用可以降低道路事故發(fā)生率，提高道路安全【1】。安全，也就意味著事前盡量降低相關(guān)交通參與者遭受傷害的可能性與嚴(yán)重度。要實現(xiàn)這一點，對交通參與者的預(yù)測就極為必要。

問題定義

要執(zhí)行自動駕駛預(yù)測任務(wù)，前提條件是能夠得到安裝在自動駕駛汽車上激光雷達(dá)、雷達(dá)或攝像頭等傳感器的實時數(shù)據(jù)流并且存在實時檢測和跟蹤交通參與者信息的系統(tǒng)。這些交通參與者的信息可以是邊界框、位置、速度、加速度、朝向角和朝向角變化率等。此外還需包括自車所行駛區(qū)域的地圖信息，如道路和人行橫道的位置，車道方向。這些地圖信息可以用特定方式建模描述：如道路多邊形用來描述可通行區(qū)域、人行橫道多邊形描述用于行人橫穿的道路區(qū)域、車道信息描述行駛路徑。

未來軌跡是過去軌跡的后續(xù)，那么預(yù)測就是基于對過去軌跡的觀測提供未來軌跡合理的可能輸出【2】。如果對于第 個交通參與者在觀測時刻 的歷史軌跡，我們用 來表示，其中 ， 表示觀測序列中的當(dāng)前時間，則第 個交通參與者的歷史軌跡是一個序列 。所有交通參與者的未來軌跡則可以表示為 。

算法介紹

目前，對于軌跡預(yù)測的方法，主要分為基于模型和數(shù)據(jù)驅(qū)動的方法兩大類【3】。

基于模型的方法

基于模型的方法假設(shè)交通參與者按照某種預(yù)先定義好的模式運動，根據(jù)觀測到的歷史信息計算模型參數(shù)，并進一步預(yù)測交通參與者未來的軌跡?；谀Ｐ偷姆椒ㄓ挚梢约?xì)分為：基于物理特征的模型、基于序列動作的模型和基于交互覺察的模型【4】。

基于物理特征的模型

基于物理特征的模型將車輛視作遵守物理規(guī)則的運動實體，基于控制輸入、車輛參數(shù)與外部狀態(tài)等對其未來運動進行預(yù)測。又可分為基于動力學(xué)的模型和基于運動學(xué)的模型【5】。

基于動力學(xué)的模型要考慮車輛的動力學(xué)特征，模型復(fù)雜且必要性不高，較少應(yīng)用。

基于運動學(xué)的模型不考慮影響運動的力，基于運動參數(shù)（如位置、速度和加速度）間的數(shù)學(xué)關(guān)系描述車輛的運動。包含恒速模型、恒加速度模型、定轉(zhuǎn)彎速率恒速模型和定轉(zhuǎn)彎速率恒加速模型等。

基于物理特征的模型可通過不同方法用于軌跡預(yù)測：如單軌跡模擬、高斯噪聲模擬和蒙特卡羅模擬。

單軌跡模擬方法直接將模型應(yīng)用于車輛的當(dāng)前狀態(tài)，計算未來軌跡。其優(yōu)點是計算效率高。缺點是沒有考慮不確定情況及模型缺點，因此不適合做長期預(yù)測。

高斯噪聲模擬方法將車輛的不確定性描述為高斯模型，通過卡爾曼濾波器對車的狀態(tài)進行預(yù)測。較之單軌跡模擬方法，高斯噪聲模擬方法能表達(dá)預(yù)測軌跡的不確定性。

蒙特卡洛模擬方法，對模型輸入如速度、方向盤轉(zhuǎn)角進行隨機采樣，生成預(yù)測路徑，既可用于當(dāng)前狀態(tài)完全確定的情況，也可用于當(dāng)前狀態(tài)有不確定性的情況。

基于物理特征的模型依賴于運動的低層級特征，因此僅能用于短于1s的預(yù)測。特別是其缺乏對交通規(guī)則的理解，沒有和其它車輛的交互，無法預(yù)測車輛任何運動狀態(tài)的變化。

基于序列動作的模型

基于序列動作的模型將車輛視作獨立的動作實體?；谛蛄袆幼髂Ｐ偷能壽E預(yù)測基于對駕駛員傾向執(zhí)行的動作的先期識別，預(yù)估與其匹配的車輛其未來運動。較之基于物理特征的模型，基于序列動作模型預(yù)測的軌跡更準(zhǔn)確可靠。

基于序列動作的模型有兩種軌跡預(yù)測方法：原型軌跡和動作意圖估計。

原型軌跡方法中，車的軌跡可以劃分為一系列的簇，每一簇對應(yīng)一個典型的運動模式。運動模式采用訓(xùn)練階段學(xué)習(xí)而來的原型軌跡進行表達(dá)。在預(yù)測階段，將車輛實際的待完成的部分軌跡與原型軌跡進行比較，取最相似的原型軌跡用于預(yù)測未來的運動。其缺點是對不同道路布局適應(yīng)性不強。

基于意圖的模型主要是分為2部分，一是對意圖進行評估，然后再執(zhí)行。其首先估計駕駛員的動作意圖，如停止線等待、跟車和左轉(zhuǎn)等，然后預(yù)測后續(xù)的相匹配的物理狀態(tài)。與原型軌跡相比，它不需要將部分軌跡與原型軌跡匹配，而只需要抽取高級特征用于識別動作，從而更容易在任意類型道路布局生成學(xué)習(xí)模型。

動作執(zhí)行階段按匹配的動作將軌跡預(yù)測出來，其輸入為車輛狀態(tài)、道路信息和駕駛員行為等。常用方法有多層感知機、邏輯回歸、相關(guān)向量機、支持向量機和隱馬爾科夫模型等。它的輸出可以是判定式預(yù)測的一條軌跡，也可以是生成式提供的多條軌跡及其概率。

基于動作序列的模型假設(shè)車輛之間相互獨立運動，沒考慮車間交互的影響。而實際車輛是與其它車輛共享道路，一輛車的動作會影響其它車的動作。這種假設(shè)會導(dǎo)致對環(huán)境信息理解的錯誤，并影響風(fēng)險評估。

基于交互覺察的模型

基于交互察覺的模型仍然采用動作序列實體，但將車間交互也進行建模。這使得其對車輛的行為有了更好的解釋，對情況有更好的理解并對風(fēng)險有更可靠的評估。交互察覺模型通常是基于軌跡原型與動態(tài)貝葉斯網(wǎng)絡(luò)。

基于軌跡原型的交互察覺模型在訓(xùn)練階段并不能將車間影響納入，但在匹配階段可通過假設(shè)駕駛員有避免碰撞的傾向納入車間的相互影響。

大多數(shù)交互察覺動作模型是基于動態(tài)貝葉斯網(wǎng)絡(luò)。多物體間的兩兩依賴關(guān)系可用耦合隱馬爾科夫模型建模。

基于交互覺察的模型比物理模型預(yù)測的時間更久，比基于意圖的預(yù)測更加穩(wěn)定，計算多個汽車之間的關(guān)系計算量比較大，不適用實時風(fēng)險評估。

數(shù)據(jù)驅(qū)動方法

這類方法通常指的就是深度學(xué)習(xí)方法，其使用大量數(shù)據(jù)訓(xùn)練一個黑盒子模型（通常是一個神經(jīng)網(wǎng)絡(luò)）。之后將訓(xùn)練好的模型應(yīng)用于觀測到的數(shù)據(jù)進行預(yù)測。模型訓(xùn)練過程通常是離線計算，要消耗較多計算資源。而模型應(yīng)用于預(yù)測時，則非常快速。

深度學(xué)習(xí)方法應(yīng)用于自動駕駛的預(yù)測時，通常是以多幀相關(guān)環(huán)境信息為輸入，目標(biāo)交通參與者的未來行為、軌跡、軌跡概率等為輸出。主要有四大類方法：卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、變形器（Transformer）及圖神經(jīng)網(wǎng)絡(luò)模型（Graph Neural Network，GNN）。

卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于提取圖片數(shù)據(jù)特征，并在計算機視覺領(lǐng)域取得了成功，也被應(yīng)用于自動駕駛預(yù)測方面。有不同的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于預(yù)測環(huán)境車輛的意圖、提取相關(guān)性特征、輸出圖形上未來時刻的占據(jù)情況和預(yù)測車輛軌跡等。但卷積神經(jīng)網(wǎng)絡(luò)受限于其卷積核感受野，長距離特征提取能力一般，影響了其應(yīng)用于預(yù)測的效果。

循環(huán)神經(jīng)網(wǎng)絡(luò)

較之卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)具有較好的長距離特征捕獲能力?；镜难h(huán)神經(jīng)網(wǎng)絡(luò)能逼近任何序列對的映射【6】。但由于梯度消失或爆炸，難以學(xué)習(xí)到長序列。門控循環(huán)神經(jīng)網(wǎng)絡(luò)被引進用于解決這個問題【7】。長短期記憶網(wǎng)絡(luò)（Long short-term memory，LSTM）和門控循環(huán)單元 （Gated recurrent unit， GRU）是最常用的門控循環(huán)神經(jīng)網(wǎng)絡(luò)。在車輛行為預(yù)測方面，長短期記憶網(wǎng)絡(luò)是常用的深度模型。循環(huán)神經(jīng)網(wǎng)絡(luò)擅長處理序列輸入，但并行計算能力較差，限制了其在預(yù)測領(lǐng)域的應(yīng)用。

變形器

與卷積神經(jīng)網(wǎng)絡(luò)及循環(huán)神經(jīng)網(wǎng)絡(luò)相比，變形器 （Transformer）并行計算能力與卷積神經(jīng)網(wǎng)絡(luò)差不多強，長距離特征捕獲能力與循環(huán)神經(jīng)網(wǎng)絡(luò)差不多強，而語義特征提取能力和任務(wù)綜合特征抽取能力顯著強于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)。其基于注意力（attention）機制，采用編碼器-解碼器（Encoder-Decoder）框架。最近，其在自動駕駛預(yù)測領(lǐng)域的應(yīng)用較之卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)有明顯的性能提升，取得了較好的成果。

圖神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)的基本思想是基于節(jié)點的局部鄰近信息通過神經(jīng)網(wǎng)絡(luò)來聚合每個節(jié)點及其周圍節(jié)點的信息。常用的圖神經(jīng)網(wǎng)絡(luò)有圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Network， GCN）與圖注意力神經(jīng)網(wǎng)絡(luò)（Graph Attention Network， GAT），分別是將圖模型與卷積神經(jīng)網(wǎng)絡(luò)及注意力模型相結(jié)合。圖神經(jīng)網(wǎng)絡(luò)可以用節(jié)點表示汽車，節(jié)點間的連線（邊）表示車輛間的關(guān)系，適合于包含車間交互信息的預(yù)測。近兩年，圖神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，其應(yīng)用于自動駕駛預(yù)測領(lǐng)域也取得了較好的效果。

總結(jié)

整體來看，自動駕駛預(yù)測算法中，數(shù)據(jù)驅(qū)動方法性能優(yōu)于基于模型的方法。但目前，自動駕駛預(yù)測領(lǐng)域還沒有形成統(tǒng)一的評估指標(biāo)、接口定義和框架結(jié)構(gòu)，各個方向都有相關(guān)探索，其中，變形器（transformer）和圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network）近期性能表現(xiàn)較好。

參考文獻：

[1] “Research on the impacts of connected and autonomousvehicles（cavs） on traffic flow： Summary report，” UK Departmentfor Transport， Tech. Rep.， May 2016. [Online].

Available：https：//assets：publishing：service：gov：uk/government/uploads/system/uploads/attachment data/file/530091/impacts-of-connected-andautonomous-vehicles-on-traffic-flow-summary-report：pdf

[2] LEE， N.， CHOI， W.， VERNAZA， P.， CHOY， C. B.， TORR， P. H. S.， AND CHANDRAKER，M. K. DESIRE： distant future prediction in dynamic scenes with interacting agents. CoRRabs/1704.04394 （2017）.

[3] SINGH， A. Prediction in autonomous vehicle - all you need to know， 2018.

[4] LEFèVRE， S.， VASQUEZ， D.， AND LAUGIER， C. A survey on motion prediction and risk assessment for intelligent vehicles. Robomech Journal （2014）.

[5] Lefèvre， S.， Vasquez， D. & Laugier， C. A survey on motion prediction and risk assessment for intelligent vehicles. Robomech J 1， 1 （2014）. https：//doi.org/10.1186/s40648-014-0001-z

[6] B. Hammer， “On the approximation capability of recurrent neuralnetworks，” Neurocomputing， vol. 31， no. 1-4， pp. 107–123， 2000.

[7] A. Graves， Long Short-Term Memory. Berlin， Heidelberg： SpringerBerlin Heidelberg， 2012， pp. 37–45. [Online]. Available： https：//doi：org/10：1007/978-3-642-24797-2 4

基金項目：國家重點研發(fā)計劃資助（2018YFB1802405）