本節課我們將繼續學習無人車的預測模塊，包括預測目標車道，遞歸神經網絡及其在目標車道的應用和軌跡的生成。

1、預測目標車道

使用車道序列框架作為目標是為了讓道路上的物體生成軌跡，這是一個復雜的問題 。

我們先從一個稍微簡單的問題開始——預測車道線段之間的過渡。假設我們在車道段0中檢測到一輛車，并且我們會預測在接下來的幾個時間段它將如何行使。現在有兩個顯而易見的選擇：

它可能停留在車道段0然后向右轉；

或者可能轉向車道段1然后直行。

這個分析實際上是我們前進的一大步——我們已經將預測問題簡化為選擇問題。

將“預測問題”簡化為“選擇問題”

我們可以通過計算每個車道序列的概率，來選擇車輛最有可能選取的車道順序。此時我們需要一個模型，將車輛狀態和車道段作為輸入，通過該模型的計算得出車輛可能采用每個車道序列的概率。

基礎模型

在完成概率計算的同時，我們希望模型能夠學習新的行為，因此要使用觀測數據對模型進行經驗性訓練。在訓練中，我們將真實的車輛行為提供給模型，不僅包括車道段和車輛的狀態，還包括車輛最終選擇哪條車道序列。當記錄數據隨著時間而增加，模型就能夠實現自我迭代更新，精確度不斷提升。

其中，每個記錄將由觀察對象跟隨的車道段序列和對象的相關狀態組成。在每個時間點，對象占用一段并具有特定的狀態，整個記錄由一系列車道段和對象的相關狀態組成。

模型的經驗性訓練示意

2、遞歸神經網絡

遞歸神經網絡或 Recurrent Neural Network（以下簡稱 RNN）是一種利用時間序列數據特征的預測方式。在研究 RNN 之前，我們需要先來回顧一下神經網絡。

神經網絡是可訓練的多層模型，神經網絡從輸入提取高級特征，并使用這些特征來計算得到輸出。例如，如果你有一個神經網絡來判斷圖像中是否包括汽車從而完成分類，網絡的中間層將提取特征，如輪胎和窗戶。神經網絡有許多結構，一個基本的神經網絡首先得到輸入，隨后將數據通過隱藏層，然后經過處理得到輸出。這種結果有時也被稱作多層感知網絡或 MLP。

在訓練過程中，會有很多訓練數據輸入模型，每一個數據都由原始的數據和對應的標簽組成。例如，輸入數據是一張圖片，標簽就是一個包含汽車的符號或是其他符號，神經網絡從數據中學習的方式叫做后向傳播。首先，神經網絡得到輸出并產生輸出；然后，計算機比較輸出與真值之間的誤差；接著，這種誤差回傳到整個網絡，中間的隱藏層根據觀察到的差別權重判斷調整其中的中間值。這樣可以在未來提高神經網絡的準確率。

我們可以建立像這樣的多重結構的遞歸神經網絡，我們稱之為 MLP 單元。從數據序列中提取出高級特征，每個 MLP 單元將序列的一個要素作為輸入，并預測序列的下一個要素作為輸出，為了對元素之間的順序關系建立模型，我們在每個單元之間建立一個額外的連接，這意味著每個單元根據原始輸入和前一個單元的輸入進行預測，這是 RNN 的基本結構。

3、遞歸神經網絡在目標車道預測的應用

Apollo 會使用 RNN 建立一個模型來預測車輛的目標車道。首先，我們為車道序列提供一個 RNN 模型，為相關車輛狀態提供另一個 RNN 模型，然后連接這兩個 RNN 的輸出并將它們饋送到另一個神經網絡，該神經網絡會計算每個車道序列的概率，具有最高概率的車道序列是我們預測目標車輛將遵循的序列。

為了訓練這個網絡，我們使用包含一個車道序列的現有記錄、相關的對象狀態和一個標簽，用于指示對象是否遵循此特定的車道序列。在訓練中，我們比較網絡輸出和真值標記，并使用反向傳播來訓練網絡。

4、軌跡生成

軌跡生成是預測的最后一步，一旦我們預測到物體的車道序列，我們就可以預測物體的軌跡。在任何兩點 A 和 B 之間，物體的行進軌跡有無限的可能，我們如何預測最有可能的軌跡？

我們可以先通過設置約束條件， 來去除大部分候選軌跡。首先，我們假設汽車將與目標車道的中心對齊，去除車輛無法實際執行的軌跡，再通過考慮車輛當前的速度和加速度從剩余軌跡中進行選擇。

實際上，我們并沒有列出所有可能的軌跡并逐一去除他們；相反，我們只是在數學理論上來應用這一想法，注意車輛在亮點的位置和方位，這兩個要素表示運動模型的初始狀態和最終狀態，我們可以使用這兩個條件來擬合一個多項式模型。

在大多數情況下，這種多項式足以進行預測。

恭喜你，你已經學會了無人車如何預測道路上物體的行為，以及如何使用軌跡來描述他們的行為。讓我們回顧一下“預測”模塊的主要內容：

首先，我們介紹了如何將負責的車輛運動轉換為車道轉換序列，這使我們能夠大大減少場景的數量并更快地進行預測；

然后，我們介紹了如何使用現有觀測值以車道序列表示訓練神經網絡來進行預測；

最后，我們將車道序列預測與車輛物理結合起來，為每個物體生成估計的軌跡，運動預測對于在規劃中構建無碰撞的安全路徑來說至關重要。

希望 Apollo 預測課程的內容能讓你直觀地了解無人車在實際運行中的預測邏輯。