[readpaper] A Survey on Trajectory-Prediction Methods for Autonomous Driving

摘要

        为了在动态环境中安全驾驶，自动驾驶汽车应该能够预测附近交通参与者的未来状态，特别是周围车辆，类似于人类驾驶员预测驾驶的能力。这就是为什么研究人员致力于轨迹预测领域并提出不同的方法。本文是对过去二十年自动驾驶提出的轨迹预测方法的全面和比较回顾。它从问题定义和算法分类开始。然后，详细介绍了基于物理、经典机器学习、深度学习和强化学习的流行方法。最后，本文评估了每种方法的性能，并概述了指导读者的潜在研究方向。

        索引术语： 自动驾驶，轨迹预测，机器学习，深度学习，强化学习。

引言

        驾驶越来越受到学术界和工业界的关注[1]，因为它有望解决与安全、拥堵、节能等相关的许多长期交通挑战[2]，[3]。近年来，我们见证了自动驾驶汽车 (AV) 的感知、规划和控制系统的快速发展。然而，只有当自动驾驶的安全性得到验证时，自动驾驶汽车的质量生产才会变得真实。为了进一步提高安全性，最关键的技术之一是自动驾驶汽车应该能够实时预测周围环境的未来状态，如人类驾驶员。

        当人类驾驶车辆时，他/她通常会观察周围的交通参与者，并在启动新的驾驶机动（例如加速度或变道）之前预测他们的未来状态。交通参与者的未来状态可以用未来轨迹来表示，用于提前检测潜在的危险，并用于设计决策或规划算法，如图1所示。然而，由于交通参与者的机动不同，交通参与者与环境之间的复杂交互、感觉信息的不确定性、自动驾驶汽车的计算负担和计算时间要求，如何准确预测交通参与者未来的轨迹引起了很多关注，成为提高自动驾驶安全的关键点之一。

        许多研究人员致力于轨迹预测领域，并提出了许多有用的方法。几篇评论论文讨论了轨迹预测技术的一部分。Lefeèvre等人[4]对2014年前AVs运动预测和风险评估的现有方法进行了调查。这些方法中的大多数都是经典的，但到目前为止却是不足的。穆罕默德等人 [5] 基于驾驶员机动回顾了交叉口的行为预测方法。Mozaffari 等人，2019 年对专注于车辆行为分析的基于深度学习的方法进行了综述。 [6]，它描述了不同的标准，仅根据输入和输出信息对流行方法的一部分进行分类，不涉及一些最新的已发表方法。最近的两篇出版物[7]、[8]同样关注AVs的轨迹预测，但参考文献。[7] 回顾了跟踪和轨迹预测，它只包含使用随机技术的深度学习方法和方法的方法，以及参考文献。[8] 只提出了深度学习方法。其他调查[9]、[10]使用视觉信息来检测异常行为和参考文献。[11]，[12]调查了人体运动预测，这与本研究的主题明显不同。

        因此，本调查全面回顾了过去二十年提出的 AV 的轨迹预测方法。我们在一段时间内选择启发式和最先进的轨迹预测方法进行比较和总结。请注意，预测方法中使用的历史轨迹信息可以从感知系统 [13] 和车辆到所有 V2X [14] 获得，基于视觉的方法不是本综述的重点。由于交通参与者，如周围车辆，直接影响自我车辆，本文主要研究车辆的轨迹预测方法。如图2所示，本文将分别回顾基于物理的方法、经典的基于机器学习的方法、基于深度学习的方法和基于强化学习的方法。这项工作的主要贡献可以总结如下：

        1) 详细回顾了基于物理、经典机器学习、深度学习和强化学习的自动驾驶汽车的流行轨迹预测方法。

        2) 详细总结了用于评估方法的性能的指标和数据集。

        3) 讨论了每种方法的优缺点，并概述了潜在的研究方向。

        本文的其余部分安排如下：在第二节中，描述了轨迹预测问题，并使用的方法根据不同的标准进行分类。第 III、IV、V 和 VI 分别回顾了基于物理的方法、经典的基于机器学习的方法、基于深度学习的方法和基于强化学习的方法。第七节总结了轨迹预测的数据集和指标，并比较了一些基于NGSIM数据集的方法。第八节总结了每种方法的优缺点，并提出了一些可能的未来方向。关键结论在第 IX 节中介绍。

3. 基于物理的方法

        基于物理的方法采用车辆的动力学或运动学模型。通常，它们包括单轨迹方法、卡尔曼滤波方法和蒙特卡罗方法，如图4所示。

A. 物理模型

        物理模型物理模型物理模型包含动力学模型和运动学模型。动力学模型可能会变得非常复杂，包括许多固有参数，但复杂的动力学模型在预测精度上带来了较小的收益，并引入了额外的计算负担，使得简单的动力学模型更适合轨迹预测。在预测任务中，车辆通常被认为是自行车模型，由前轮[17]-[19]驱动。

        由于结构简单，运动学模型比动力学模型更频繁地使用。常用的包括恒定速度(CV)和恒定加速度(CA)模型[15]、[20]、[21]、恒定转弯速率和速度(CTRV)和恒定转弯速率和加速度(CTRA)模型[22]、[23]、恒定转向角和速度(CSAV)和恒定转向角和加速度(CSAA)模型[24]等。

B. 单一轨迹方法

        预测车辆轨迹的简单方法是直接将车辆的当前状态应用于物理模型。该方法既适用于动力学模型[17]-[19]、[25]，也适用于运动学模型[22]、[26]、[27]。在[25]中，线性自行车模型用于避碰，而Lytriviset等人[22]和Miller等人[26]分别使用CTRA模型和CV模型。该方法的优点是计算效率高，适用于约束较少的应用。然而，他们无法考虑与道路相关的因素，当前状态的不确定性对于长期预测是不可靠的。

C. 卡尔曼滤波方法

        单一轨迹方法假设车辆的状态在没有噪声的情况下是完全已知的。相比之下，卡尔曼滤波 (KF) 方法能够处理此类噪声，该噪声通过高斯分布 [28] 对当前车辆状态的不确定性或噪声进行建模。将预测和更新步骤组合成一个循环，可以为每个未来时间步获得车辆状态的平均值和协方差矩阵，计算为具有相关不确定性的平均轨迹[15]、[24]。

        与之前的方法相比，优点是它考虑了预测轨迹的不确定性。然而，单峰高斯分布不足以表示不同的操作，使得Kaempchen等人[28]提出了交互多模型(IMM)来输出多峰轨迹。开关卡尔曼滤波器 (SKF) [29] 依赖于一组卡尔曼滤波器来描述车辆的物理模型并在它们之间切换 [28]、[30]。张等人。参考。[31]提出了一种基于车辆到车辆通信和KF的方法，使主机车辆能够预测远程车辆的轨迹进行避障。最近，Lefkopoulos等人[32]提出了一种名为交互多模型卡尔曼滤波器(IMM-KF)的新方法，该方法考虑了与交互相关的因素。该方法使用基于物理的模型来预测交通参与者的轨迹几秒钟。

D. 蒙特卡罗方法

        一般来说，在没有任何线性假设或模型的高斯性质的情况下，预测状态分布的解析表达式通常是未知的。蒙特卡罗方法可以近似模拟状态分布。它随机采样输入变量并应用物理模型来生成潜在的未来轨迹。为了确保机动的可行性，生成的轨迹样本可以用低于实际允许的横向加速度[16]的横向加速度进行过滤，或者在物理模型中可以考虑车辆的物理限制，使模型的输入更加现实[33]。蒙特卡罗方法可用于从完全已知状态或过滤算法估计的不确定状态预测交通参与者的轨迹。Okamoto等人[34]提出了一种基于机动的模型，该模型应用蒙特卡罗方法通过识别机动预测未来的轨迹。Wang等人[35]利用蒙特卡罗方法预测轨迹，利用MPC优化参考轨迹。

E. 总结

        基于物理的方法利用物理模型以相对较低的计算资源完成轨迹预测。基于II-B2和II-B3节中的分类方法，本文对基于物理的方法进行了分类，如表I所示。基于物理的方法是研究人员使用的第一个和最简单的方法。尽管这些方法的准确性相对较低，但越来越多的模型使用基于物理的模型的思想来提高准确性。当车辆的运动可以用运动学或动力学模型准确描述时，基于物理的方法具有更准确的结果，但交通参与者的物理模型不断变化，使得这些方法中的大多数只适用于短期预测(不超过1秒)。一个或多个物理模型的使用可以快速获取交通参与者的未来轨迹，但物理模型的选择和它们之间的切换会带来明显的预测误差。解决这个问题的一种方法是考虑与交互相关的因素，如IMM-KF[32]。为了达到最先进的水平，基于物理的方法可能需要与基于学习的方法相结合，例如参考文献[36]，它使用基于学习的鉴别器来提取交互信息并生成基于模型的轨迹。