预测模块能够学习新的行为，可以使用多源的数据进行训练，使算法随时间的推移而提升预测能力。

不同的预测方式

基于模型的预测与数据驱动预测。模型预测根据候选模型模拟自己的运行轨迹，通过车辆的移动观测它与那条轨迹更加匹配。数据驱动预测基于机器学习，通过观测结果来训练模型，模型一旦训练好可以通过模型去做预测。数据驱动方法优点是训练数据越多，效果更好，基于模型预测优点在于它的直观并且结合物理知识、交通法规、人类行为等多方面。

基于车道的预测

Apollo提供一种基于车道序列的方法，为建立车道序列，先将道路分成多部分，每一部分覆盖了一个易于描述车辆运动的区域，将车辆行为划分为一组有限的模式组合，并将这些模式组合描述成车道序列。

障碍物状态

预测模块会预测从物体到车道线段边界的纵向和横向距离，而且还包含之前时间间隔的状态信息，以便做出更准确的预测。

预测目标车道

使用车道序列框架的目的是生成轨迹。

递归神经网络

递归神经网络或RNN是一种利用时间序列数据特征的预测方法。

递归神经网络在目标车道预测的应用

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，该神经网络回顾及每个车道序列的概率，高概率的车道就是将要遵循的序列。为训练该网络，需使用现有的记录，每条记录都包含一个车道序列、相关的对象状态和一个标签，用于指示对象是否遵循此特定车道序列，在训练中，比较网络输出和真值标记，并使用反向传播来训练网络。

轨迹生成

通过约束条件筛除大部分的候选路径，注意车辆在两点的位置和方向，通过一个多项式模型进行拟合，多数情况下，多项式模型足以进行预测。

最后

以上就是美丽鱼为你收集整理的Udacity无人驾驶课程笔记：预测不同的预测方式基于车道的预测障碍物状态预测目标车道递归神经网络递归神经网络在目标车道预测的应用轨迹生成的全部内容，希望文章能够帮你解决Udacity无人驾驶课程笔记：预测不同的预测方式基于车道的预测障碍物状态预测目标车道递归神经网络递归神经网络在目标车道预测的应用轨迹生成所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。