无人驾驶车辆模型预测控制代码_玩家讲述|优步开发AI技术 提高自动驾驶汽车运动轨迹预测准确率...

优步提出改善自动驾驶车辆交通运动预测技术，以保证自动驾驶汽车在公共道路上安全行驶。

盖世汽车讯 据外媒报道，优步高级技术小组(ATG)研究人员提出了一种AI技术，以改善自动驾驶车辆交通运动预测，并适用于优步正在开发的无人驾驶技术。据了解，优步的无人驾驶技术必需确保能够探测、追踪和预测周围车辆的轨迹，从而保证自动驾驶汽车在公共道路上安全行驶。

众所周知，如果不能预测道路上其他驾驶员可能做出的决定，车辆就无法实现全自动驾驶。两年前，优步的一辆自动驾驶原型车在亚利桑那州坦佩撞死了一名行人，部分原因是该车没能发现并避开行人。ATG的研究使用生成式对抗网络(GAN)来预测汽车轨迹，据称可将预测精度提高一个数量级。

研究人员使用的生成式对抗网络称为SC-GAN (scene-compliant GAN)，可根据现有场景中的限制条件创建轨迹，并获取场景(包括公路、人行道位置、车道方向、交通灯和标识)的高清地图，以及车载激光雷达、雷达和摄像头传感器的探测和追踪系统。GAN会输出附近车辆的参考框架，车辆原点位于中心，x轴和y轴分别由车辆的行驶方向和左侧定义。

对于未来轨迹由GAN预测的车辆而言，其潜在的情境信息和地图限制条件融合成一个RGB图像，可以用称为矩阵的数学对象来表示。矩阵是排列成行和列的数字矩形阵列，通常以AI模型可以操作的格式表示概念。这些图像捕捉了车辆后方10米和两侧30米范围内的场景。

在实验中，研究小组在谷歌TensorFlow机器学习框架中部署了该AI系统和一些基线，并获得了大规模的、真实世界的数据集(ATG4D)，包括在各种交通状况下行驶240小时的数据。每辆车每0.1秒创建单个数据点，包括当前和过去0.4秒的所观测到的速度、加速度、行驶方向，以及780万个数据点的转向变化率，这些数据点与周围环境高清地图信息一起被分解为模型训练、测试和评估集。

研究人员称，与基线相比，SC-GAN减少了50%的冲出道路误报，这是一种度量方法，用于测量车辆可行驶区域之外的预测轨迹点的百分比。此外，SC-GAN在运动预测方面超过了现有的最先进的GAN架构，显著地减少了平均和最终预测错误。

研究人员表示，即使是在相当有挑战性的边缘情况下，SC-GAN也能成功预测车辆的运动。例如，在一个场景中，一辆汽车在直行车道上驶近十字路口，即使其轨迹稍微向左倾斜，SC-GAN也能准确地预测到它将继续直行。在另一个场景中，SC-GAN正确地预测到车辆在进入十字路口后会右转。

该项研究的合著者写道，“运动预测是自动驾驶技术的关键组成部分之一，建模了自动驾驶车辆附近被追踪的参与者的未来行为和不确定性。大量的定性和定量分析表明，在基于GAN的周围道路使用者的运动预测方面，该方法优于目前的技术水平，可以生成更准确、更真实的轨迹。”