自动驾驶轨迹预测书-自动驾驶轨迹规划算法

文章阐述了关于自动驾驶轨迹预测书，以及自动驾驶轨迹规划算法的信息，欢迎批评指正。

文章信息一览：

• 1、自动驾驶数据集介绍——Argoverse
• 2、【轨迹预测】轨迹预测常用方法介绍
• 3、采用世界模型的自动驾驶多视角预测和规划
• 4、最新轨迹预测综述:从基础定义到各类方法、评测汇总

自动驾驶数据集介绍——Argoverse

MapTRv2，但在困难设置下高于它。HIMap 为严格的阈值（即 0.2m）生成了更多的 TP。总结，HIMap在***地图构建方面取得了显著的进步，通过引入混合表示学习框架，成功地提升了地图重建的准确性。该框架在多个数据集上展现出优越的性能，为自动驾驶和相关领域提供了更精确的地图信息。

从而为自动驾驶决策提供有力支持。综上所述，DenseTNT通过其独特的设计和离线优化技术，实现了在运动预测领域的卓越性能，为自动驾驶技术的发展贡献了重要的一环。随着其在Argoverse基准和Waymo Open数据集挑战中的成功应用，DenseTNT有望在未来自动驾驶系统中发挥关键作用。

实时构建向量化的高精地图对自动驾驶至关重要，现有方法如MapTR， HDMapNet等奠定了基础，但城市道路系统中地图要素的形状和位置关系对构建高效高精地图尤为重要。本文提出GeMap，从几何性质出发的在线高精地图构建方案。

MapTR***用统一的置换等价建模方法，将地图元素表示为一组等价置换的点集，精确描述元素形状，稳定学习过程。论文设计了分层查询嵌入方案，灵活编码结构化地图信息，并进行分层二分匹配。MapTR在nuScenes数据集上实现最佳性能，只需相机输入即可实现最优效率，且在复杂多变的驾驶场景中保持稳定质量。

【轨迹预测】轨迹预测常用方法介绍

1、根据提取的特征建立适当的模型，这可以是统计模型、机器学习模型或物理模型等。预测和规划：利用建立的模型对物体的未来运动进行预测和规划，这需要考虑各种因素如物体动力学、环境干扰等。控制和执行：根据预测和规划的结果，控制物体执行相应的动作，如调整方向、速度等，以达到跟踪目标轨迹的目的。

2、灰色预测模型以累加生成原始数据，构建近似指数规律进行建模，适用于数据量少、历史数据完整性及可靠性低的中短期预测。不过，仅适用于近似指数增长的预测。插值与拟合方法，尤其适用于导弹运动轨迹等物体运动轨迹的建模分析。通过曲面或曲线拟合，最大可能地逼近原始轨迹，指标评估拟合程度。

3、雷达轨迹跟踪算法是一种用于估算和预测雷达目标运动路径的技术。它依赖于雷达扫描数据，通过分析目标的距离、角度及速度等信息，来推算目标的航向、速度与加速度等属性，从而建立目标的运动路径。这些算法能够有效应对噪声和干扰，提升雷达跟踪的精确度和稳定性。

4、为了对下游规划任务的轨迹预测方法进行合理的评估，提出了一种基于车道距离的轨迹预测方法： 车道脱靶率（LMR）。LMR通过将真值和预测端点指定给车道段，并通过沿着车道段的距离来衡量，来判断预测是否命中或未命中。它定义为产生漏检序列的比率。

5、Python中可以使用OpenCV的KalmanFilter类来实现卡尔曼滤波器，以跟踪和预测物体的轨迹。以下是关键步骤和要点：卡尔曼滤波器的基本原理：卡尔曼滤波器通过预测和更新两个阶段来处理不确定性信息。预测阶段：基于当前状态和模型预测物体的下一状态。更新阶段：根据新的测量数据调整预测值，以减小误差。

***用世界模型的自动驾驶多视角预测和规划

通过Delphi作为数据引擎，研究团队进一步提出了一个失败案例驱动框架，以提高数据***样效率，从而用少量数据成本提升复杂场景下端到端模型的泛化性能。实验表明，使用Delphi生成的4%训练数据集大小的数据，就能够将端到端自动驾驶模型的规划性能提升25%。

BEV的全称，是基于多视角摄像头的鸟瞰图感知（Birds-eye-view Perception） ，基于BEV的物体可以通过自上而下的视图，完成轨迹预测和路线规划，且能避免图像视角下的尺度和遮挡等问题，成为自动驾驶领域提高检测性能、实现端到端自动驾驶的关键。 另一个关键词，是Transformer。

但城市域NOA所面临的类似场景挑战非常多，感知端有大量的corner case需要解决，特别是预测和规划的认知端更是堪比登月。 如何评估感知结果与决策规划结果间的关系，对于业界都是巨大的挑战。 毫末的应对方案是中国首个自动驾驶数据智能体系MANA，以及将MANA感知和认知相关大模型能力统一整合到DriveGPT雪湖·海若。

在FSD业务的背景下，Dojo的存在意义更加显著，它旨在支持更安全、更高效的自动驾驶系统。随着特斯拉车型销量的增加，通过扩大规模摊薄前期投入成本，Dojo项目获得了长期主义视角下的投资逻辑。值得注意的是，Dojo项目的成本高昂，但特斯拉通过多种方式摊薄了这些成本，如考虑将算力作为一种订阅服务开放给市场。

BEV表示是一种融合空域的感知方式，近年来在自动驾驶中取得了显著成功。除了空域融合，时间域融合也被引入以增强BEV表示的性能。本文提出了一种统一时空融合的方法，将空间和时间融合结合在一个统一的数学框架中。这种统一融合提供了新的视角，为BEV融合带来了新的能力，特别在远距离融合上表现出色。

最新轨迹预测综述:从基础定义到各类方法、评测汇总

1、深入理解轨迹预测：从基础概念出发，我们探讨定义、输入与输出的关键要素。定义上，轨迹预测是通过车辆信息（地图、类型与机动性）生成预测轨迹的科学。输出则包括预测轨迹的分布，以及用于理解移动行为的术语，如动力学模型、滤波与粒子模拟等。

2、机动（manoeuvre）：车辆执行的动作。自身车辆（Ego Vehicle，EV）：自动驾驶汽车。目标车辆（Target Vehicle，TV）：预测轨迹的车辆。周围车辆（Surrounding Vehicle，SV）：影响TV运动的车辆。无关车辆（Non-Effective Vehicle，NV）：不影响TV运动的车辆。

3、物理基础方法包括单一轨迹预测、卡尔曼滤波、蒙特卡罗方法。基于机器学习的方法包括高斯过程、支持向量机、隐马尔可夫模型和动态贝叶斯网络。深度学习基础方法包括顺序网络、图神经网络、生成模型和强化学习基础方法，如逆强化学习、生成对抗性模仿学习和深度逆强化学习。

4、另一种是后天起卦法，这种方法是上卦以万物类象为准，例如见到老太太为坤卦，见到鸡为巽卦等等；下卦以后天八卦方位来定，例西北方为干，如老太太从北方向来，后天卦是《地天泰》。动爻则按上下卦后天八卦序数再加当时时辰数之和除六之余数为动爻，余一为初爻动，余五，则为五爻动。

5、实验结果显示，通过增强的在线高精地图模型，能够捕捉到由于遮挡、与摄像头的距离、一天中的时间和天气等因素产生的不确定性。总结部分强调了论文的主要贡献，包括提出了一个通用的矢量化地图不确定性公式，扩展了多种在线地图估计方法，以及展示了将这些方法与最新轨迹预测方法结合的潜力。

6、从车辆视角学习行人动力学，以Bayesian推理为基础，实现更准确的行为预测。预测横穿马路行为的模型，研究了不同的预测方法，涵盖基于动态模型、概率分级轨迹匹配、Kalman滤波以及多目标交互等。立体视觉系统框架用于行人预测，展示在不同情境下观察到的行为变化。

关于自动驾驶轨迹预测书，以及自动驾驶轨迹规划算法的相关信息分享结束，感谢你的耐心阅读，希望对你有所帮助。