1.はじめに_a予測
無人シャトルカーには車が最良の決断をしないためにことを保証するように、自身が動いている物体が、無人車両は、これらのオブジェクトの挙動を予測する必要があり、その多く多くのオブジェクト、間を走行しています。
アポロでは、そのような権利のような車の中のランプを用いて、次の図に示されており、減速し始めると、オブジェクトの挙動を予測するための経路を生成することにより、その後の可能な経路を以下に示す：
運動では、アポロは意志他のすべてのオブジェクトの時間の各期間内で一緒に時間の期間にわたって予測されたパスを形成する同様の軌道予測を、作る、アポロがします彼らの新たにそれぞれの車のために生成され、これらの予測の予測されたパスを再計算計画段階で判断無人車両の重要なリファレンスを提供します。
2.はじめに_bを予測します
予測されたパスは、リアルタイム要件、できるだけ低いようである遅延アルゴリズムを有し、
別の目的は、精度は、そのような隣接車線車として最終的に車線又は真っ直ぐに組み込まれるべきです。
予測モジュールは、新しい行動を学ぶことができるはずです。車の多くは、道路上である場合には、状況は各静的シーンのためのモデルを開発するために複雑になり、我々は新しい行動を学ぶことができ、このようなAの状況、予測モジュールが発生したときに我々が必要とする理由で不可能な作業です。このように、私たちは、あなたが時間をかけて、アルゴリズムを作ることができ、かつ予測する能力を強化するために、トレーニングのためのデータの複数のソースを利用することができます。
3.セバスチャンは予想を紹介します
予測は、意思決定の中核であると言うことができます。
予測の4さまざまな方法
予測二つの主な方法があります予測モデルに基づくと、データ駆動型予測。
モデルベースの予測アルゴリズムは、実際にはMPCクラスです。モデル予測制御（モデル予測制御）は、アルゴリズムのクラスを指し、有限の時間開ループ最適化問題を解く際に、定期的にフレームラインに基づく測定情報、および制御配列の前部は、制御対象の結果に適用されます。モデルによっては、ダイナミック・マトリックス・コントロール（DMC）、モデル、アルゴリズム制御（MAC）、一般化予測制御（GPC）に分け。インテリジェント駆動方向に、状態空間モデルに基づくモデル予測制御に焦点を当てました。
以下に示す一般的な車両予測モデルが直線であるか、右折、次に係る車両の動作を駆動する車両を決定することを意図するもの。
データ駆動型の予測は、機械学習モデルのトレーニング良いと、我々は予測を行うために、現実の世界では、このモデルを使用することができ、その結果を観察することによってモデルを訓練するために、機械学習アルゴリズムを使用することです。
モデル予測の利点に基づいて、それが直感的であるということである、と私たちの物理学や交通法規の現在の理解だけでなく、人間の行動と組み合わせて幅広い知識。
データ駆動型の予測は、より良い、モデルの結果をより多くのトレーニングデータの利点を持っています。
5.予測車線に基づいて、
アポロが車線を確立するために配列に基づく配列と呼ばれるレーンのための方法が提供され、道路は、第1の部分に分割され、各々は、例えば、図の交点部分領域であるため、説明を容易にするために、車両の動きの領域の一部を覆います。
予測するために、我々はより多くのではなく、特定の領域内の特定の行動よりも、これらの地域で車を変換する方法であるが心配されています。我々は、パターンの限られたセットの組み合わせとして分類され、車両を行うことができ、そしてこれらのパターンはレーンシーケンスの組み合わせとして記述します。配列が0-1-3-7のように、例えば、自動車直レーンの移動を説明することができます。
6.障害の状態
私たちは車を運転するときの物体の動きを予測するために、我々はまた、人間として、我々はまた、ノーであるオブジェクト、位置、速度、加速度、表面を観察することによって、それが何をするかを予測する必要があり、オブジェクトの状態を知っておく必要がありますどのように人や車がオブジェクトのメソッドの状態を観察するために行います。
向き、位置、速度、加速度に加えて、オブジェクトのレーンセグメント内の車両の位置を考慮する必要がありません。例えば、車線境界線の長手方向および横方向の距離に物体から予測モジュールを検討します。
予測モジュールは、さらに、より正確な予測を行うために、以前の時間間隔のステータス情報を含みます。
7.予測されたターゲットレーン
我々は単純な質問で始まるので、我々は車線間の遷移を予測する必要があり、我々は車線区分に仮定し、これは複雑な問題であり、道路上のオブジェクト生成トラックのレーン標的配列のフレームワークを使用して0その後、車は、セクション1になるかもしれない、それは車のセグメント0に滞在し、右に回すことができます車を検出し、そして我々はそれが次の数の期間に移動するか、2つの明白な選択肢があります予測します真直ぐ進んで下さい。この時点で、我々は、変換の問題を選択するために、問題を予測します。
私たちは、その後、各レーンのシーケンスのために計算された確率で選択します。我々は、各シーケンスの車線確率を提供するためのモデルを使用することができる入力としてモデル、及び車両状態車線部を必要とします。
我々は我々のモデルは、新しい行動を知ることができるので、経験的観察のモデルを使用するように訓練されなければならないことを願っています。訓練では、我々はまた、最終的な選択系列の車両のレーンを含ま状態車線のセクションとオブジェクトだけでなく、を含む、モデルに実際の車両の挙動を提供します。時間をかけて、レコード増加に伴い、モデルは、複数の独立したライン反復すること、そして常に精度を向上させることができます。各レコードは、相互に関連する状態のレーンセグメントで構成するオブジェクトを観察し、目的配列が続きます。各時点で、オブジェクトは、セクションを占め、特定の状態を有します。関連状態によって全体レコードレーンセグメントとオブジェクトの組成の一連。
8.リカレントニューラルネットワーク
リカレントニューラルネットワーク（再帰的ニューラルネットワーク）、1990年に提案した、リカレントニューラルネットワーク（リカレントニューラルネットワーク）の推進とみなされ、変数トポロジーと重みの共有とリカレントニューラルネットワーク、機械学習タスクに使用されているが、構造的関係が含まれています。
RNN基本構造：
9.リカレントニューラルネットワークは、目標レーンアプリケーションを予測します
アポロRNNは、対象車両の車線を予測するモデルを構築するために使用します。
アポロ配列は、他の関連オブジェクトRNNモデル状態、アポロがRNN別のニューラルネットワークに供給される2つの出力を接続する、ニューラルネットワークは、レーンの各シーケンスの確率を推定提供有する、レーンRNNモデルを提供しますレーンシーケンスが最高の確率は、我々が対象車両のシーケンスに従うことであると予測しました。
ネットワークを訓練するために、我々は既存のレコードを使用し、各レコードは、配列レーン、関連するオブジェクトの状態とオブジェクトがこのシーケンスに従う特定のレーンであるかどうかを示すラベルを含みます。訓練では、我々は、ネットワーク出力とタグの真の値を比較し、ネットワークを訓練するためにバックプロパゲーションを使用しています。
前記軌道生成
最後のステップは、我々は、オブジェクトのレーン順序を予測した後、我々は、オブジェクトの軌道を予測することができ、軌道生成を予測することです。ポイントAとBの間には、多数のトラックがあり、それはそれの最も可能性の高い軌道を予測する方法をすべきですか？
私たちは、候補軌跡の大部分を除去するために制約を設定することによって開始することができ、車両の動的制約は、実際に、それは一般的に多項式フィットに使用され、明白です。
もちろん11.まとめ
我々は大幅にシーンの数を減らすことができ、車線変更配列に車両の複雑な動きを変換する方法について説明このレッスンでは、その後、我々は観測が示すのを予測するためにニューラルネットワークを訓練、既存のレーン・シーケンスを使用する方法について説明し;最後に、我々は、車両ダイナミクスと各オブジェクトの軌道予測を生成する合成予測された配列をレーンであろう。
