标签:输出 车道 RNN pose MLP Apollo 预测
根据自己的位置、其他车辆的情况,做预测?
预测啥?
凭什么?
预测对时延要求很高
预测:知道之后周围环境会发生什么,从而知道能怎么做,根据自己的目的,那么也就知道该怎么做了
不同的预测方式
基于模型
结合的是知识。
根据交通规则、常识、人类行为、物理知识等进行判断
数据驱动
依靠的是数据。
使用机器学习的方法,进行训练,实现预测
基于车道的预测
为了简化车辆行驶路线的预测,提出了车道序列的概念
障碍物状态
这部分主要是说“我们需要了解物体的状态”
诸如位置、朝向、速度、加速度
车道的横向、纵向距离
以及时间间隔
预测目标车道
根据车辆的状态、所处的车道,预测他可能的行进路线。
通过大量的训练(车道情况、车辆状态为输入,接下来的形式路线为输出),提升预测精确度。
递归神经网络(RNN)
- 每个MLP以序列中的某一元素作为输入,对下一元素的预测作为输出
- 自己的输出不仅依赖于输入,还依赖于上一节点的输出
那么MLP是啥?
MLP:输入经过隐藏层得到结果,如下图(最简单的MLP)
递归神经网络在车道预测中的作用
车道情况、车辆状态分别给到两个RNN网络,将这两个RNN的数据一同给到另一个模型,并输出高概率的车道序列
轨迹生成
根据初始pose和目标pose,拟合一个多项式模型,用该模型来进行预测。
pose:车前端指向的方向,和车身倾斜的角度
标签:输出,车道,RNN,pose,MLP,Apollo,预测 来源: https://blog.csdn.net/xiao769507610/article/details/118554016
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。