前言

目前用python重写了Apollo的Prediction模块，对Apollo3.5版本的prediction进行一个总结。

数据结构

最核心的数据结构就是unordered_map<Id, queue> obstacles，存储了所有obtscale的固定长度的历史特征。

• Feature
  • position
  • timestamp
  • type
  • velocity
  • acceleration
  • length
  • width
  • height
  • is_near_junction
  • junction_feature
  • is_still
  • priority
  • tracking_status
  • lanes_feature 道路特征
    • lane_feature 最可能是当前车道的车道特征
    • current_lanes_feature 所有可能是当前车道的车道特征
    • nearby_lanes_feature 周围车道的车道特征
    • lane_graph 存储lane_sequence的vector
      • lane_sequence 其中一种可行的车道序列

结构

• 主体结构分为：Container–>Evaluator–>Predictor
• Container = PoseContainer + ADCTrajectoryContainer + ObstacleContainer
  • PoseContainer保存了自身车辆当前的状态信息
  • ADCTrajectoryContainer保存了自身车辆的规划轨迹
  • ObstacleContainer对感知结果进行特征抽取与历史保存
• Evaluator = LaneSequenceEvaluator + JunctionEvaluator + …
  • LaneSequenceEvaluator对当前车辆的候选sequence进行概率评估
  • JunctionEvaluator对车辆所处路口的出口选择进行概率评估
• Predictor = LaneSequencePredictor + JunctionPredictor + FreeMovePredictor + …
  • LaneSequencePredictor选取概率最高的sequence来生成轨迹
  • JunctionPredictor选取概率最高的路口出口来生成轨迹
  • FreeMovePredictor根据运动学模型推算

代码流程

• Prediction的主要执行流程在prediction/common/message_process.cc文件中
• 大概的流程框架如下
  • 初始化
    • prediction_map初始化
    • obstacle_clusters初始化
    • junction_analyzer初始化
    • obstacle_container初始化
    • obstacles_prioritizer初始化
    • pose_container初始化
    • scenario_manager初始化
    • adc_trajectory_container初始化
    • predictor_manager初始化
    • evaluator_manager初始化
  • 感知结果回调函数
    • 将感知到的obstacles塞到obstacle_container里面，进行特征抽取，并存储在历史队列中
    • 对obstacles赋值优先级–>是否ignore
    • 运行scenrio_manager，抽取目标obstacle周围的环境特征并分析
    • 如果当前环境是路口环境，构建junction feature
    • build lane graph
    • 运行evaluator_manager
    • 运行predictor_manager
    • 发布预测轨迹

核心思想总结

• 车辆在结构化道路场景下
  • 针对每个obstacle，根据其最新一帧的数据计算所有可能的lane sequence，并提取sequence的特征。
  • 针对每条sequence，根据其过去N帧历史数据，评估其被选择为目标sequence的概率。
  • 选择概率最高的sequence，生成轨迹。
• 车辆在路口场景下
  • 将上文中的sequence换成路口的出口，判断obstacle最有可能从哪个出口出路口，生产对应轨迹。
• 车辆在open space场景下
  • free move
• 行人
  • social lstm