无人驾驶中的预测模块-Apollo中基于递归神经网络的目标车道预测

无人驾驶中的预测模块-Apollo中Prediction模块(1)中谈到了无人驾驶预测的方法有两种:基于规则的预测算法和基于机器学习的预测算法，今天来看看基于递归神经网络(RNN)的目标车道预测。什么是递归神经网络(RNN)神经网络是可训练的多层模型，它通过输入层输入数据，并经过中间层提取高级Feature，并使用这些Feature计算得到最终的结果。

神经网络从数据中学习的方法叫后向传播，首先神经网络得到输入，并产生输出，然后比较GroundTruth与输出的误差，然后这种误差通过网络反向传播，中间隐层根据误差调整网络权重，以便在下一次传播中提升神经网络的准确率。

我们可以建立多重递归的神经网络模型(MLP)，从数据序列中提取高级特征。每个MLP单元将序列的一个元素作为输入，并预测序列的下一个元素作为输出，为了对元素之间的顺序关系建立模型，在每个单元之间建立一个额外的连接，这意味着每个单元根据输入和上个单元的输出做预测。这就是RNN的基础结构。

基于递归神经网络的目标车道预测Apollo中使用RNN来预测车辆的目标车道。它为车道序列提供一个RNN模型，为障碍物提供另一个RNN模型，Apollo连接这两个RNN的输出，并且将它们的反馈输入另一个神经网络，该网络会估算每个车道序列的概率，具有最高概率的序列就是我们预测目标车辆将遵循的序列。

为了训练这个神经网络，我们比较网络输出和真值，使用反向传播来训练网络，

轨迹生成轨迹生成是预测的最后一个步骤，一旦我们预测了车道序列，就可以生成车辆的预测轨迹。物体的运动轨迹有无限可能，我们怎么预测最可能的轨迹呢？我们可以通过设置约束条件来过滤候选轨迹，比如移除掉车辆无法实际执行的轨迹，以及车辆的速度和加速度移除非舒适的轨迹等等。