智联网汽车技术 课件 任务6 路径规划系统.pptx

目标运动预测-基于物理的运动模型预测项目三汽车决策控制系统任务6路径规划系统智能网联汽车技术

课程导入车辆运动轨迹行人运动轨迹准确预测车辆、行人等运动物体的未来轨迹，会带来很大的便利和安全性

学习目标记住目标运动预测的概念01说出基于物理的运动模型预测的概念、原理及方法02理解其在轨迹预测方面的应用03

学习任务运用所学知识进行简单的车辆运动预测01

激活旧知汽车01日常生活中有那些常见物体的运动呢？行人02体育运动03

探索新知基于物理的运动模型预测所有运动物体(车辆、行人、动物)的运动都满足一定的约束或者规则控制输入：转向、加速车辆特征：重量外部条件：路面摩擦系数用动力学和运动学模型来预测未来的运动，推算出车辆位姿/状态（位置、航向、速度）。模型预测条件

探索新知基于物理的运动模型预测目前最为通用的方法，其复杂程度取决于车辆运动学和动力学建模的精细程度、不确定性如何处理、是否考虑道路的几何特征等等。基于物理的运动模型

探索新知单一轨迹模拟假设车辆当前状态完全已知以及车辆模型是完全可以描述车辆的运动，基于车辆当前状态，应用车辆模型去预测车辆未来的轨迹。（1）单一轨迹模拟V2V1

探索新知单一轨迹模拟该策略可以使用车辆动力学模型或者运动学模型优点该模型计算高效性，可满足实时性要求缺点未考虑当前状态的不确定性和车辆模型缺陷预测轨迹在长时间（不超过1s）下就会不可靠

探索新知高斯噪声模拟当车辆状态和车辆模型的不确定性服从正态分布时，由于高斯噪声在卡尔曼滤波中的应用，使其在描述不确定性方面很受欢迎。（2）高斯噪声模拟

卡尔曼滤波探索新知高斯噪声模拟在递归的预测车辆状态时考虑传感器测量噪声，卡尔曼滤波是一个普适方法。

贝叶斯滤波探索新知高斯噪声模拟当车辆模型和传感器模型是线性的以及不确定性用正态分布描述时，就形成了贝叶斯滤波特例。

探索新知高斯噪声模拟Step1预测步在时刻t估计的车辆状态推送给车辆模型，预测出时刻t+1以高斯分布的形式的车辆状态。在时刻t+1，传感器测得的状态结合预测状态得到时刻t+1，以高斯分布的车辆估计状态。Step2更新步每时每刻的对预测和更新循环，得到的车辆估计状态被称为滤波

探索新知高斯噪声模拟通过预测步的循环，可以得到未来每一时刻车辆状态的均值和协方差矩阵，转换后可以计算出联合了不确定性（每一时刻的正态分布）的均值轨迹。

探索新知高斯噪声模拟优点预测轨迹不确定性方面优于单一轨迹仿真模拟缺点用一个单峰的正态分布对不确定性建模并不足以描述不同操作的可能性

探索新知蒙特卡洛模拟当车辆模型不是线性或不确定性没有高斯特性，预测状态分布的解析表达式往往是未知的。

探索新知蒙特卡洛模拟蒙特卡洛方法提供了近似这种分布的手段，其思想在于对车辆模型的输入变量进行随机采样以生成潜在的未来轨迹。（3）蒙特卡洛模拟

探索新知蒙特卡洛模拟为了考虑路谱，可在生成的轨迹当中加入权重，来删除不满足道路约束的轨迹，输入采样并不需要将输入视作固定值。典型输入参数采样：加速度、转向角或是侧向偏差（3）蒙特卡洛模拟

探索新知蒙特卡洛模拟考虑到动作的可执行性，大侧向加速度的轨迹样本可以剔除考虑到车辆模型的物理限制，输入更多分布在可执行空间，后处理过程中的移除不可执行轨迹也不是必要的

探索新知蒙特卡洛模拟不管当前状态是完全已知还是通过滤波的策略估计不确定的当前状态，蒙特卡洛模拟都可以用以预测车辆未来的状态。

探索新知小贴士由于只考虑低层次的运动特性（动力学和运动学特性），基于物理的运动模型只能预测短期内（低于1s）的轨迹。它们不能预测执行一些特定操作（在一个十字路口，降速，定速转弯，然后加速过弯）时车辆运动的改变，或者是外部因素引起的车辆任何运动的变化（有前车引起的降速）。

即时检测小测试单一轨迹模拟方法适用于哪些实时应用？

小结三个不同的预测方法单一轨迹模拟高斯噪声模拟蒙特卡洛模拟

谢谢观看THANKS智能网联汽车技术

目标运动预测-基于行为的运动模型预测项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术

课程导入通过了解运动模型的行为，可以更好地预测未来的移动轨迹，从而做出更加安全和智能的驾驶决策。

学习目标基于轨迹原型的方法01基于驾驶行为或意图估计的方法02了解它们的原理、优势和应用场景03

学习任务通过案例分析和实践探究，掌握如何应用这两种方法来预测目标的运动轨迹01

激活旧知在智能汽车中，为什么需要进行目标运动预测？预测其他车辆、行人或障碍物可能的运动轨迹自动驾驶系统中决策和控制模块的重要组成部分通过预测周围物体的未来运动，智能汽车可以更好地做出决策并规划行驶路径，确