大三小学期入门课程第五课：预测

1. 我们的无人车需要预测这些物体的行为，这样才能确保我们的无人车做出最佳决策
2. 预测路径有实时性的要求，实时性是指我们想要算法的延迟越短越好，准确性需要我们做出的预测尽可能保持准确
3. 预测模块也应该能够学习新的行为，当路上有很多车辆，情况将变得复杂，开发出每种场景的静态模型是不可能完成的任务，这就是为什么我们需要当我们遇到这样的问题时，预测模块能够学习新的行为，这可以使算法随着时间的推移而提升预测能力。
4. 模式预测：为场景构建了两个候选的预测模型，一个模型描述了该车进行右转弯，另一个模型描述了该车继续直行。在此刻，我们认为任意一种模式发生的概率都是相同的，所以我们有两个候选模型，每个模型都有自己的轨迹。我们继续观察移动车的运动，看它与哪一条轨迹更加匹配。如果我们要看到车在右转弯车道保持前行，我们会更加倾向于预测对车辆右转
5. 数据驱动预测：使用机器学习算法通过观察结果来训练模型，一旦机器学习模型训练好，我们就可以在现实世界中利用此模型去做出预测。数据驱动方法的优点是训练数据越多，模型效果越好，基于模型的方法的优点在于它的直观，并且它结合了我们现有的物理知识以及交通法规还有人类行为多方面知识
6. 为了预测物体的运动，我们也需要知道物体的状态，除了位置、速度朝向和加速度之外，无人车还需考虑车道段内物体的位置。
7. 使用车道序列框架的目标是为道路上的物体生成轨迹
8. 递归神经网络或RNN 是一种利用时间序列数据特征的一种预测方法
9. Apollo使用RNN建立一个模型来预测车辆的目标车道，Apollo为车道序列提供一个RNN模型，为相关对象状态提供另一个RNN模型，Apollo连接这两个RNN的输出并将它们馈送到另一个神经网络，该神经网络会估计每个车道序列的概率，具有最高概率的车道序列是我们预测目标车辆将遵循的序列
10. 一旦我们预测到物体的车道序列，我们就可以预测物体的轨迹，在任何两点A和B之间，物体的行进轨迹有无限的可能，我们如何预测最有可能的轨迹？，我们可以先通过设置约束条件，来去除大部分候选轨迹