友情链接:
合作联系
|
ASPEN培训课程
自动驾驶预测算法工程师、AI算法工程师、智能驾驶系统开发人员、行为预测研究人员。
理解车辆行为预测的基本问题（预测轨迹、意图、交互）。
掌握主流行为预测模型的原理（基于物理、基于规划、基于学习）。
能够独立开发基于深度学习的轨迹预测模型，并进行训练与评估。
行为预测概述：行为预测在自动驾驶中的位置（感知→预测→决策→规划）；预测的内容（轨迹预测、意图预测、多模态预测）；预测的挑战（不确定性、交互性、多模态）。
预测问题定义：预测问题的数学表述（给定历史轨迹，预测未来轨迹）；预测的评价指标（ADE、FDE、RMSE、minADE、minFDE）；预测的时间范围（1秒、3秒、5秒）。
基于物理的预测：匀速/匀加速模型（CV、CA）；卡尔曼滤波预测；基于运动学模型的预测（CTRV、CTRA）；物理模型的优缺点（简单、适用于短期）。
基于规划的预测：假设其他车辆按照某种目标（车道保持、换道）行驶；用规划算法反推目标轨迹；基于模型的轨迹预测；交互的初步考虑。
基于学习的预测基础：循环神经网络（RNN/LSTM/GRU）用于时序预测；序列到序列（Seq2Seq）模型；编码器-解码器架构；输入特征的构建（历史轨迹、地图信息、交互信息）。
社会池化（Social Pooling）：车辆间交互的建模；社会池化层的基本思想；基于网格的社会池化；基于注意力机制的社会池化（Social Attention）。
图神经网络（GNN）在预测中的应用：将车辆及其交互建模为图（Graph）；图卷积网络（GCN）；图注意力网络（GAT）；GNN在交互建模中的优势。
多模态预测：未来轨迹的多模态特性（车辆可能左转、直行、右转）；多模态预测的实现方法（多分支网络、Mixture Density Network MDN、多目标学习）；轨迹的概率估计。
场景感知预测：地图信息的引入（车道线、路沿、中心线）；地图的向量化表示（Lanelet2、HDMapNet）；将地图信息与轨迹信息融合；异构图的构建。
交互感知预测：车辆间的交互影响（让行、抢行、汇入）；联合预测（同时预测多辆车轨迹）；交互性强的场景处理（环岛、交叉口、无保护左转）。
轨迹预测模型训练：数据集的准备（NGSIM、HighD、nuScenes、Argoverse）；数据增强；损失函数的设计（回归损失+分类损失）；训练策略；模型评估与对比。
综合实战项目：基于深度学习的车辆轨迹预测模型开发，包含数据预处理（Argoverse/nuScenes）、模型设计（LSTM+GNN+Social Attention）、模型训练、多模态轨迹生成、评估指标计算与可视化。
